[논문 리뷰] Atlas Based Segmentations via Semi-Supervised Diffeomorphic Registrations

Charles Huang, Masoud Badiei외 6명|arXiv (Cornell University)|2019. 11. 23.

Medical Image Segmentation Techniques참고 문헌 36인용 수 4

한 줄 요약

이 논문은 두개부 정자외선 방사선 치료 환자에서 정확한 전체 OAR 세분화를 생성하기 위해 일부 기관위험부위(OARs)에 대한 참값 윤곽선과 나머지 기관에 대한 원시 세분화를 갖는 앤틸라스를 활용하는 반감독형 미분형 정렬 프레임워크를 제안한다. 변분 정규화와 가짜 레이블링을 적용한 강성 및 탄성 변형 블록의 연쇄적 구성으로, 테스트 세트 20명의 환자 스캔에서 평균 Dice 점수 0.789를 기록하며 최신의 학습 기반 정렬 방법을 능가하고, 동시에 감독형 세분화 성능을 초월하면서 모든 OAR의 자동 세분화를 가능하게 한다.

ABSTRACT

Purpose: Segmentation of organs-at-risk (OARs) is a bottleneck in current radiation oncology pipelines and is often time consuming and labor intensive. In this paper, we propose an atlas-based semi-supervised registration algorithm to generate accurate segmentations of OARs for which there are ground truth contours and rough segmentations of all other OARs in the atlas. To the best of our knowledge, this is the first study to use learning-based registration methods for the segmentation of head and neck patients and demonstrate its utility in clinical applications. Methods: Our algorithm cascades rigid and deformable deformation blocks, and takes on an atlas image (M), set of atlas-space segmentations (S_A), and a patient image (F) as inputs, while outputting patient-space segmentations of all OARs defined on the atlas. We train our model on 475 CT images taken from public archives and Stanford RadOnc Clinic (SROC), validate on 5 CT images from SROC, and test our model on 20 CT images from SROC. Results: Our method outperforms current state of the art learning-based registration algorithms and achieves an overall dice score of 0.789 on our test set. Moreover, our method yields a performance comparable to manual segmentation and supervised segmentation, while solving a much more complex registration problem. Whereas supervised segmentation methods only automate the segmentation process for a select few number of OARs, we demonstrate that our methods can achieve similar performance for OARs of interest, while also providing segmentations for every other OAR on the provided atlas. Conclusions: Our proposed algorithm has significant clinical applications and could help reduce the bottleneck for segmentation of head and neck OARs. Further, our results demonstrate that semi-supervised diffeomorphic registration can be accurately applied to both registration and segmentation problems.

연구 동기 및 목표

• 두개부 CT 스캔에서 기관위험부위(OARs)의 수작업 세분화가 시간이 많이 소요되는 임상적 문제를 해결하기 위해.
• 완전한 전문가 주석이 달린 OAR 데이터셋이 필요로 하는 감독형 딥 러닝 모델의 한계를 극복하기 위해, 이는 높은 수작업 노력으로 인해 자주 이용이 어려운 이유 때문이다.
• 일부 기관에 대해서만 참값 윤곽선과 다른 기관에 대해 원시 세분화를 갖는 단일 앤틸라스를 사용하여, 모든 기관에 대한 전체 OAR 세분화를 생성하는 반감독형 정렬 프레임워크를 개발하기 위해.
• 탄성 이미지 정렬과 미분형 제약 조건을 활용하여, 훈련 중에 명시적으로 주석이 달리지 않은 기관들까지도 강력하고 자동으로 세분화할 수 있도록 하기 위해.
• 수작업 및 감독형 세분화 성능에 근접한 성능을 달성함으로써 임상적 유용성을 입증하기 위해, 이는 이전의 학습 기반 방법보다 더 복잡한 정렬 문제를 해결한다.

제안 방법

• 모델은 환자 CT 이미지를 앤틸라스 이미지에 점진적으로 정렬하기 위해 강성 및 탄성 변형 블록을 연쇄적으로 구성하여, 미분형(부드럽고 역행 가능한) 변환을 보장한다.
• 과적합 방지를 위해 정규화 항과 속도 필드의 가우시안 스무딩을 포함한 변분 공식을 사용하여 해부학적 타당성을 유지한다.
• 공간적 특징 학습과 변형 정확도 향상을 위해 국소화 네트워크에서 밀집 컨volution 블록을 활용한다.
• 훈련 중 반감독형 가짜 레이블링을 적용한다: 앤틸라스 내 레이블이 없는 OAR은 가짜 세분화를 생성하고, 반복적 정렬을 통해 개선된다.
• 입력으로 환자 CT(F), 앤틸라스 CT(M), 앤틸라스 기준 세분화(S_A)를 받고, 모든 OAR에 대한 환자 기준 세분화를 출력한다.
• 정밀한 미분형을 유지하기 위해 스케일링 및 스퀘어링 방법을 사용해 정적 속도 필드의 통합을 통해 변형 필드를 계산한다.

실험 결과

연구 질문

• RQ1 부분적인 참값 윤곽선만을 사용하여 반감독형 학습 기반 정렬 프레임워크가 두개부 정자외선 방사선 치료에서 고정밀도 OAR 세분화를 달성할 수 있는가?
• RQ2 변분 정규화를 적용한 다중 변형 블록의 연쇄적 구성이 단일 단계 또는 기준 학습 기반 방법에 비해 정렬 및 세분화 성능을 향상시키는가?
• RQ3 치과 임플랜트와 같은 일반적으로 세분화 정확도를 저하시키는 영상 잡음이 존재하는 상황에서 본 방법의 성능은 어떠한가?
• RQ4 제한된 참값 윤곽선과 다른 기관에 대한 원시 세분화만을 갖는 단일 앤틸라스가 모든 기관에 대해 전체적이고 정확한 환자 수준의 세분화를 생성할 수 있는가?
• RQ5 완전한 전문가 주석이 달린 데이터셋이 필요 없이도, 감독형 딥 러닝 세분화 모델의 성능을 도달하거나 초월할 수 있는가?

주요 결과

• 제안된 방법은 두개부 환자 CT 스캔 20건의 테스트 세트에서 평균 Dice 점수 0.789를 기록하여 기존의 학습 기반 정렬 알고리즘을 뚜렷이 능가한다.
• 치과 임플랜트와 같은 영상 잡음에 대해 강건성을 보이며, 금속 잡음으로 인해 가림을 입은 영역에서도 합리적인 OAR 윤곽선을 생성한다.
• 모델이 부분적인 참값 데이터만으로 훈련되었음에도 불구하고, 수작업 및 감독형 딥 러닝 세분화 방법과 유사한 성능을 보인다.
• 가짜 레이블링과 변분 정규화의 사용은 특히 다중 변형 블록을 연쇄적으로 사용할 경우 과적합을 감소시킨다.
• 伝통적인 다중 앤틸라스 기반 자동 세분화(Multi-ABAS) 알고리즘보다 우수하고, 최신 감독형 세분화 성능에 도달한다.
• 반감독형 학습과 미분형 정렬을 활용하여, 훈련 중에 명시적으로 주석이 달리지 않은 모든 앤틸라스 정의 기관에 대해 전체 OAR 세분화를 가능하게 한다.