[논문 리뷰] Automatic Prostate Zonal Segmentation Using Fully Convolutional Network with Feature Pyramid Attention

Yongkai Liu, Guang Yang외 8명|arXiv (Cornell University)|2019. 10. 31.

Prostate Cancer Diagnosis and Treatment참고 문헌 16인용 수 9

한 줄 요약

이 논문은 T2강도 MRI에서 전립선의 주변부 영역(PZ)과 전이 영역(TZ)의 자동 분할을 위한 특징 피라미드 주의 기반 완전 컨volution 네트워크를 제안한다. 모델은 내부 테스트 데이터셋에서 PZ의 DSC가 0.74, TZ의 DSC가 0.86이며, 외부 검증 데이터셋에서 PZ의 DSC가 0.74, TZ의 DSC가 0.792를 기록하여 전문 방사선의사 수준의 성능을 입증한다.

ABSTRACT

Our main objective is to develop a novel deep learning-based algorithm for automatic segmentation of prostate zone and to evaluate the proposed algorithm on an additional independent testing data in comparison with inter-reader consistency between two experts. With IRB approval and HIPAA compliance, we designed a novel convolutional neural network (CNN) for automatic segmentation of the prostatic transition zone (TZ) and peripheral zone (PZ) on T2-weighted (T2w) MRI. The total study cohort included 359 patients from two sources; 313 from a deidentified publicly available dataset (SPIE-AAPM-NCI PROSTATEX challenge) and 46 from a large U.S. tertiary referral center with 3T MRI (external testing dataset (ETD)). The TZ and PZ contours were manually annotated by research fellows, supervised by genitourinary (GU) radiologists. The model was developed using 250 patients and tested internally using the remaining 63 patients from the PROSTATEX (internal testing dataset (ITD)) and tested again (n=46) externally using the ETD. The Dice Similarity Coefficient (DSC) was used to evaluate the segmentation performance. DSCs for PZ and TZ were 0.74 and 0.86 in the ITD respectively. In the ETD, DSCs for PZ and TZ were 0.74 and 0.792, respectively. The inter-reader consistency (Expert 2 vs. Expert 1) were 0.71 (PZ) and 0.75 (TZ). This novel DL algorithm enabled automatic segmentation of PZ and TZ with high accuracy on both ITD and ETD without a performance difference for PZ and less than 10% TZ difference. In the ETD, the proposed method can be comparable to experts in the segmentation of prostate zones.

연구 동기 및 목표

• T2강도 MRI에서 전립선 지구(PZ 및 TZ)의 자동 분할을 위한 딥 러닝 기반 방법을 개발한다.
• 모델의 성능을 독립적인 외부 데이터셋에서 평가하여 일반화 능력을 확보한다.
• 두 명의 전문 방사선의사 간의 읽기 일관성과 비교하여 모델의 분할 정확도를 평가한다.
• 수동 분할이 시간이 오래 걸리고 독자 간 변동성이 크다는 문제를 해결한다.
• 전립선 암 진단 및 치료 계획과 같은 임상 적용을 위한 강력한 자동 지구 분할을 가능하게 한다.

제안 방법

• T2강도 MRI 스캔에서 다중 척도 특징을 포착하기 위해 특징 피라미드 주의 기반의 새로운 완전 컨volution 신경망(FCN)을 설계한다.
• 다양한 인코더 단계의 특징을 통합하여 공간적 세부 정보를 유지하는 스킵 연결을 통합한다.
• 다양한 척도에서 중요한 특징을 동적으로 강조하기 위해 특징 피라미드 주의 모듈을 도입하여 국소화 정확도를 향상시킨다.
• PROSTATEX 챌린지에서 확보한 250명의 환자 대용량 데이터셋을 사용해 모델을 엔드 투 엔드로 훈련하고, 내부 63명 및 외부 46명의 환자에서 검증한다.
• 경계 정밀도 향상을 위해 이진 교차 엔트로피와 DSC 손실을 조합한 손실 함수 최적화를 수행한다.
• 고품질의 지상 진실 데이터를 확보하기 위해 연구원이 비뇨생식 방사선의사의 감독 하에 애너테이션을 생성한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 다양한 데이터셋에서 T2강도 MRI에서 전립선 지구의 높은 분할 정확도를 달성할 수 있는가?
• RQ2 제안된 모델의 성능는 두 전문 방사선의사 간의 읽기 변동성과 비교해 어떻게 되는가?
• RQ3 특징 피라미드 주의 기반 아키텍처는 기존의 표준 FCN 아키텍처에 비해 분할 정확도를 향상시키는가?
• RQ4 다른 임상 기관에서 수집한 독립적인 외부 데이터셋에서의 테스트 결과, 모델의 성능는 얼마나 견고한가?
• RQ5 임상 현장에서 전문가 수준의 분할 성능를 달성할 수 있는가?

주요 결과

• 내부 테스트 데이터셋(ITD)에서 모델은 주변부 영역(PZ)의 DSC가 0.74, 전이 영역(TZ)의 DSC가 0.86를 기록했다.
• 외부 테스트 데이터셋(ETD)에서는 PZ의 DSC가 0.74, TZ의 DSC가 0.792로, 예측 불가능한 데이터에 대한 강력한 일반화 능력을 입증했다.
• 두 전문 방사선의사 간의 읽기 일관성은 PZ의 DSC가 0.71, TZ의 DSC가 0.75였으며, 이는 모델의 성능가 전문가 수준의 변동성과 유사함을 시사한다.
• 외부 데이터셋에서 성능 저하가 유의미하게 발생하지 않아, 다양한 영상 프로토콜 및 스캐너 플랫폼 간의 견고함을 입증했다.
• 특징 피라미드 주의 메커니즘이 특히 전립선 지구 간 미세한 경계를 구분하는 데 특징 표현을 향상시켰다.
• 제안된 방법은 최소한의 인간 간섭으로 정확한 자동 지구 분할을 가능하게 하여 임상 현장에 적합한 솔루션을 제공한다.