[논문 리뷰] Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning

Andréanne Lemay, Charley Gros외 5명|arXiv (Cornell University)|2020. 12. 23.

Medical Imaging and Analysis참고 문헌 26인용 수 4

한 줄 요약

이 논문은 캐스케이드 U-Net 아키텍처를 사용하여 MRI에서 척수 종양, 부종 및 낭종을 다중 클래스 분할하기 위한 첫 번째 완전 자동화된 딥러닝 프레임워크를 제시한다. 이 방법은 먼저 척수를 국소화하여 관심 영역을 자르며, 클래스 불균형을 줄이고 분할 정확도를 향상시킨다. 전체 세 클래스에 대해 76.7 ± 1.5%의 Dice 스코어를 달성했고, 종양만 분할할 경우 61.8 ± 4.0%의 스코어를 기록했다.

ABSTRACT

Spinal cord tumors lead to neurological morbidity and mortality. Being able to obtain morphometric quantification (size, location, growth rate) of the tumor, edema, and cavity can result in improved monitoring and treatment planning. Such quantification requires the segmentation of these structures into three separate classes. However, manual segmentation of 3-dimensional structures is time-consuming and tedious, motivating the development of automated methods. Here, we tailor a model adapted to the spinal cord tumor segmentation task. Data were obtained from 343 patients using gadolinium-enhanced T1-weighted and T2-weighted MRI scans with cervical, thoracic, and/or lumbar coverage. The dataset includes the three most common intramedullary spinal cord tumor types: astrocytomas, ependymomas, and hemangioblastomas. The proposed approach is a cascaded architecture with U-Net-based models that segments tumors in a two-stage process: locate and label. The model first finds the spinal cord and generates bounding box coordinates. The images are cropped according to this output, leading to a reduced field of view, which mitigates class imbalance. The tumor is then segmented. The segmentation of the tumor, cavity, and edema (as a single class) reached 76.7 $\pm$ 1.5% of Dice score and the segmentation of tumors alone reached 61.8 $\pm$ 4.0% Dice score. The true positive detection rate was above 87% for tumor, edema, and cavity. To the best of our knowledge, this is the first fully automatic deep learning model for spinal cord tumor segmentation. The multiclass segmentation pipeline is available in the Spinal Cord Toolbox (https://spinalcordtoolbox.com/). It can be run with custom data on a regular computer within seconds.

연구 동기 및 목표

• 3D MRI 스캔에서 척수 종양, 부종 및 낭종의 수동 분할이 시간이 오래 걸리고 주관적인 문제를 해결하기 위해.
• 세 가지 가장 흔한 척수내 종양 유형인 아스트로사이트마, 엔드포마 및 혈관모세관종양의 다중 클래스 분할을 위한 자동화되고 견고하며 효율적인 딥러닝 솔루션을 개발하기 위해.
• 초기 척수 국소화를 통해 축소된 시야 영역에 집중하여 척수 종양 분할의 클래스 불균형 문제를 완화하기 위해.
• 치료 계획 및 모니터링 향상을 위해 종양 크기, 위치 및 성장률의 정확한 형태측정 양적 분석을 가능하게 하기 위해.
• 임상 및 연구 용도로 사용 가능한 표준 하드웨어와 호환되는 사용자 친화적이고 계산적으로 경량화된 파이프라인을 제공하기 위해.

제안 방법

• 두 단계로 구성된 캐스케이드 딥러닝 아키텍처를 사용한다: 첫 번째 단계는 척수 국소화, 두 번째 단계는 다중 클래스 종양 분할.
• 첫 번째 단계는 U-Net 기반 모델을 사용하여 척수를 탐지하고 관심 영역을 자르기 위한 경계 상자 좌표를 생성한다.
• 검출된 척수 기반으로 MRI 볼륨을 자르면 시야가 줄어들어 계산 부담이 감소하고 클래스 불균형 문제가 완화된다.
• 두 번째 단계는 T1 및 T2 강화 MRI 스캔을 사용하여 종양, 부종(합쳐서 한 클래스로), 낭종의 세 클래스를 분할하기 위해 U-Net 기반 모델을 적용한다.
• 모델은 경추, thoracic, 또는 요추 척수 영역을 포함하는 343명의 환자 데이터셋에서 엔드 투 엔드로 훈련된다.
• 파이프라인은 Spinal Cord Toolbox에 구현되어 있으며, 표준 컴퓨터에서 신규 데이터를 몇 초 내에 처리할 수 있다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 볼 때, 캐스케이드 딥러닝 접근법이 MRI에서 척수 종양, 부종 및 낭종의 다중 클래스 분할 정확도를 향상시킬 수 있는가?
• RQ2 척수 국소화 및 관심 영역 자르기로 인해 클래스 불균형이 얼마나 감소하고 분할 성능이 향상되는가?
• RQ3 완전 자동화된 모델이 다양한 환자 스캔에서 세 구조(종양, 부종, 낭종)에 대해 높은 민감도와 Dice 스코어를 달성할 수 있는가?
• RQ4 제안된 방법은 고성능 GPU가 필요 없이 표준 하드웨어에서 계산적으로 효율적이고 구현 가능한가?
• RQ5 모델은 세 가지 가장 흔한 척수내 종양 유형에서 종양, 부종 및 낭종을 탐지하는 데 얼마나 잘 작동하는가?

주요 결과

• 종양, 부종 및 낭종의 다중 클래스 분할에서 76.7 ± 1.5%의 Dice 스코어를 기록하여 수동 분할과 강한 겹침을 보였다.
• 종양만 분할할 경우 61.8 ± 4.0%의 Dice 스코어를 기록하여 클래스 불균형에도 불구하고 뛰어난 성능을 보였다.
• 모든 세 구조에 대해 참 양성 탐지율이 87% 이상을 초과하여 높은 민감도를 확인했다.
• 모델의 캐스케이드 설계 덕분에 시야를 줄이고 클래스 불균형 문제를 최소화함으로써 분할 성능이 크게 향상되었다.
• 전체 파이프라인이 계산적으로 효율적이며, 표준 컴퓨터에서 신규 MRI 데이터를 몇 초 내에 처리할 수 있다.
• 저자들의 지식으로는 이는 MRI에서 다중 클래스 척수 종양 분할을 위한 첫 번째 완전 자동화된 딥러닝 모델이다.