[논문 리뷰] Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer

Dejan Kostyszyn, Tobias Fechter외 23명|arXiv (Cornell University)|2020. 08. 07.

Prostate Cancer Diagnosis and Treatment참고 문헌 28인용 수 4

한 줄 요약

이 연구는 원발성 전립선암 환자에서 PSMA-PET 영상에서 전립선 내 종양을 자동으로 분할하는 데 위한 3D U-Net 컨volution 신경망(CNN)을 제안한다. 두 기관의 152명의 환자에서 훈련된 모델은 내부 및 외부 테스트 데이터셋에서 높은 DSC 점수(중위수 0.84)와 민감도(최대 1.0)를 기록하여 전문가의 윤곽선과 유사한 정확하고 강건하며 빠른(스캔당 6초) 성능을 보였다.

ABSTRACT

Accurate delineation of the intraprostatic gross tumour volume (GTV) is a prerequisite for treatment approaches in patients with primary prostate cancer (PCa). Prostate-specific membrane antigen positron emission tomography (PSMA-PET) may outperform MRI in GTV detection. However, visual GTV delineation underlies interobserver heterogeneity and is time consuming. The aim of this study was to develop a convolutional neural network (CNN) for automated segmentation of intraprostatic tumour (GTV-CNN) in PSMA-PET. Methods: The CNN (3D U-Net) was trained on [68Ga]PSMA-PET images of 152 patients from two different institutions and the training labels were generated manually using a validated technique. The CNN was tested on two independent internal (cohort 1: [68Ga]PSMA-PET, n=18 and cohort 2: [18F]PSMA-PET, n=19) and one external (cohort 3: [68Ga]PSMA-PET, n=20) test-datasets. Accordance between manual contours and GTV-CNN was assessed with Dice-Sørensen coefficient (DSC). Sensitivity and specificity were calculated for the two internal test-datasets by using whole-mount histology. Results: Median DSCs for cohorts 1-3 were 0.84 (range: 0.32-0.95), 0.81 (range: 0.28-0.93) and 0.83 (range: 0.32-0.93), respectively. Sensitivities and specificities for GTV-CNN were comparable with manual expert contours: 0.98 and 0.76 (cohort 1) and 1 and 0.57 (cohort 2), respectively. Computation time was around 6 seconds for a standard dataset. Conclusion: The application of a CNN for automated contouring of intraprostatic GTV in [68Ga]PSMA- and [18F]PSMA-PET images resulted in a high concordance with expert contours and in high sensitivities and specificities in comparison with histology reference. This robust, accurate and fast technique may be implemented for treatment concepts in primary PCa. The trained model and the study's source code are available in an open source repository.

연구 동기 및 목표

• 원발성 전립선암 환자에서 전립선 내 종양 부위의 거대 종양 부위(GTV)를 정확하게 묘사하기 위한 자동화된 딥 러닝 방법을 개발하기 위해.
• PSMA-PET 영상에서 수작업 GTV 묘사와 관련된 관찰자 간 변동성과 시간 제약을 극복하기 위해.
• 3D U-Net CNN의 성능을 전문가의 윤곽선과 병리학적 기준 표준에 대해 평가하기 위해.
• 다양한 PSMA 트레이서([68Ga] 및 [18F])와 독립적인 데이터셋을 사용하여 일반화 능력을 확보하기 위해.
• 임상 및 연구 목적을 위해 훈련된 모델과 소스 코드를 오픈소스로 제공하기 위해.

제안 방법

• 3D U-Net 아키텍처를 전립선 종양의 3차원 볼륨 분할을 위한 딥 러닝 프레임워크로 사용하였다.
• 모델은 152명의 환자에서 얻은 [68Ga]PSMA-PET 영상에서 훈련되었으며, 기준값 레이블은 검증된 수작업 분할 기법을 통해 생성되었다.
• 훈련 데이터는 모델의 강건성과 일반화 능력을 향상시키기 위해 두 기관에서 확보되었다.
• 모델 평가는 세 개의 독립된 테스트 데이터셋에서 수행되었으며, 내부 코hort 두 개([68Ga]PSMA-PET, n=18; [18F]PSMA-PET, n=19)와 외부 코hort([68Ga]PSMA-PET, n=20)로 구성되었다.
• 성능는 DSC, 민감도, 특이도로 측정되었으며, 두 내부 코hort에서는 전체 마운트 병리학적 영상이 기준으로 사용되었다.
• 추론 시간은 표준 데이터셋당 약 6초로 측정되어 임상 적용 가능성에 부합하였다.

실험 결과

연구 질문

• RQ1 3D U-Net 딥 러닝 모델은 전문가의 수작업 윤곽선과 비교해 PSMA-PET 영상에서 전립선 종양 분할에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 모델은 다양한 PSMA 트레이서([68Ga] 대비 [18F])와 독립적인 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ3 전체 마운트 병리학적 영상이 금표 기준으로 사용될 때, 자동 분할의 민감도와 특이도는 얼마인가?
• RQ4 수작업 GTV 묘사에서의 관찰자 간 변동성과 비교해 모델의 성능는 어떠한가?
• RQ5 최소한의 피팅 조정으로도 기관과 영상 프로토콜 간에 일반화가 가능한가?

주요 결과

• 첫 번째 내부 코hort([68Ga]PSMA-PET)에서 수작업 윤곽선과 GTV-CNN 간 중위수 DSC는 0.84였으며, 범위는 0.32–0.95였다.
• 두 번째 내부 코hort([18F]PSMA-PET)는 중위수 DSC가 0.81이었고, 범위는 0.28–0.93였다.
• 외부 테스트 코호트([68Ga]PSMA-PET)는 중위수 DSC가 0.83였으며, 범위는 0.32–0.93로 강력한 일반화 능력을 보였다.
• 첫 번째 내부 코호트에서 GTV-CNN의 민감도는 0.98, 특이도는 0.76였고, 두 번째 코호트에서는 민감도 1.0, 특이도 0.57였다.
• 모델의 추론 시간은 약 6초/데이터셋으로 측정되어 임상 적용 가능성에 부합하였다.
• 훈련된 모델과 소스 코드는 연구 및 임상 응용을 위해 오픈소스 레포지토리에서 공개되어 있다.