[논문 리뷰] Deep learning for automatic tumour segmentation in PET/CT images of patients with head and neck cancers

Yngve Mardal Moe, Aurora Rosvoll Groendahl외 6명|arXiv (Cornell University)|2019. 08. 02.

Medical Imaging Techniques and Applications참고 문헌 4인용 수 29

한 줄 요약

이 연구는 PET/CT 영상에서 두드러진 종양 볼륨과 병적 림프절의 자동 분할을 위한 U-Net 기반 딥러닝 모델을 제안한다. 모델은 PET/CT 영상에서 0.75±0.12의 Dice 유사도 계수를 달성하여 전문 종양의학자들이 수행한 분할 성능과 유사함을 보였다.

ABSTRACT

An automatic segmentation algorithm for delineation of the gross tumour volume and pathologic lymph nodes of head and neck cancers in PET/CT images is described. The proposed algorithm is based on a convolutional neural network using the U-Net architecture. Several model hyperparameters were explored and the model performance in terms of the Dice similarity coefficient was validated on images from 15 patients. A separate test set consisting of images from 40 patients was used to assess the generalisability of the algorithm. The performance on the test set showed close-to-oncologist level delineations as measured by the Dice coefficient (CT: $0.65 \pm 0.17$, PET: $0.71 \pm 0.12$, PET/CT: $0.75 \pm 0.12$).

연구 동기 및 목표

• 두경부 종양 환자에서 종양 볼륨과 병적 림프절을 자동으로 묘사하기 위한 딥러닝 방법을 개발하기 위해.
• 수동 분할에 의해 유발되는 방사선 치료 계획에서의 관찰자 간 및 관찰자 내 변동성을 줄이기 위해.
• CT, PET, 및 병합된 PET/CT 영상 모odalities를 사용한 U-Net 모델의 성능을 평가하기 위해.
• CT 윈도잉 및 손실 함수 선택이 분할 정확도에 미치는 영향을 평가하기 위해.
• 학습 및 검증에 사용되지 않은 40명의 환자로 구성된 독립적인 테스트 세트에서 모델의 일반화 능력을 검증하기 위해.

제안 방법

• 0-padding 및 배치 정규화를 갖춘 U-Net 컨volution 신경망을 사용하여 Adam 옵timizer를 사용하고 학습률을 10⁻⁴로 설정하여 학습하였다.
• 모델은 정렬된 PET 및 CT 영상의 축방향 슬라이스를 기반으로 학습되었으며, 기준값은 종양의학자가 묘사한 GTV 및 림프절 윤곽의 합집합으로 정의되었다.
• 세 가지 입력 모달리티를 평가: CT 전용, PET 전용, PET/CT 융합. CT 윈도잉은 폭 100 및 200 HU, 중심 60 및 70 HU에서 테스트되었다.
• 학습 중에 분할 성능을 최적화하기 위해 교차 엔트로피 및 Dice 손실 함수 두 가지를 평가하였다.
• 최적의 성능을 보인 모델를 선택하기 위해 검증 세트 15명을 활용하여 하이퍼파rameter 튜닝을 수행하였다.
• 최종 모델는 훈련 및 검증에 사용되지 않은 40명의 환자로 구성된 보류된 테스트 세트에서 평가되었으며, 종양 T-단계에 따라 전략적으로 분류되어 일반화 능력을 평가하였다.

실험 결과

연구 질문

• RQ1 U-Net 아키텍처 기반의 딥러닝 모델이 두경부 종양 PET/CT 영상에서 전문 종양의학자 수준의 분할 성능을 달성할 수 있는가?
• RQ2 PET 및 CT 영상 모달리티를 개별적으로 또는 병합하여 사용할 경우 분할 정확도에 어떤 영향을 미치는가?
• RQ3 CT 윈도잉은 딥러닝 모델의 종양 분할 성능을 향상시키는가?
• RQ4 이 임상적 맥락에서 교차 엔트로피 또는 Dice 손실 함수 중 어느 것이 더 나은 분할 결과를 도출하는가?
• RQ5 학습 또는 검증에 사용되지 않은 독립적인 테스트 세트의 환자에 대해 훈련된 모델의 일반화 능력은 어떠한가?

주요 결과

• PET/CT 모델은 테스트 세트에서 가장 높은 Dice 유사도 계수 0.75±0.12를 기록했으며, CT 전용(0.65±0.17) 및 PET 전용(0.71±0.12) 모델보다 뛰어났다.
• CT 윈도잉은 모델 성능을 유의미하게 향상시켰으며, 윈도잉 파rameter(100/60 HU 대비 200/70 HU) 간 유의미한 차이가 없었다.
• 손실 함수 선택(교차 엔트로피 대비 Dice)은 모델 성능에 유의미한 영향을 미치지 않았다.
• 민감도는 PET/CT 모델에서 가장 높았으며 0.74±0.16였고, 양성 예측도는 0.78±0.15였다.
• 모든 모델에서 특이도는 일관되게 높았으며(>0.99), 가짜 양성 비율이 낮음을 나타내었다.
• 모델의 테스트 세트에서의 성능은 이전 연구에서 보고된 관찰자 간 변동성(평균 Dice 0.56–0.69)과 유사하여 전문가 수준의 정확도를 보였다.