[논문 리뷰] Robust Pancreatic Ductal Adenocarcinoma Segmentation with Multi-Institutional Multi-Phase Partially-Annotated CT Scans

Ling Zhang, Yu Shi외 6명|arXiv (Cornell University)|2020. 08. 24.

Pancreatic and Hepatic Oncology Research참고 문헌 18인용 수 5

한 줄 요약

이 논문은 다기관, 다단계, 부분적으로 애너테이션된 CT 스캔을 사용하여 강건한 췌장도관세포암(PDAC) 분할을 위한 자기학습 프레임워크를 제안한다. 두 개의 전문화된 티처 모델이 가짜 애너테이션을 생성하고, 혈관 경계를 정밀하게 보정하기 위한 트레이닝 어시스턴트 모델을 활용하여, 학생 모델은 딱지 점수(Dice score) 0.71을 달성한다. 이는 상호 방사선의사 간 변동성과 동일하며, nnUNet과 같은 강력한 베이스라인 대비 6.3%p의 절대적 향상이다.

ABSTRACT

Accurate and automated tumor segmentation is highly desired since it has the great potential to increase the efficiency and reproducibility of computing more complete tumor measurements and imaging biomarkers, comparing to (often partial) human measurements. This is probably the only viable means to enable the large-scale clinical oncology patient studies that utilize medical imaging. Deep learning approaches have shown robust segmentation performances for certain types of tumors, e.g., brain tumors in MRI imaging, when a training dataset with plenty of pixel-level fully-annotated tumor images is available. However, more than often, we are facing the challenge that only (very) limited annotations are feasible to acquire, especially for hard tumors. Pancreatic ductal adenocarcinoma (PDAC) segmentation is one of the most challenging tumor segmentation tasks, yet critically important for clinical needs. Previous work on PDAC segmentation is limited to the moderate amounts of annotated patient images (n<300) from venous or venous+arterial phase CT scans. Based on a new self-learning framework, we propose to train the PDAC segmentation model using a much larger quantity of patients (n~=1,000), with a mix of annotated and un-annotated venous or multi-phase CT images. Pseudo annotations are generated by combining two teacher models with different PDAC segmentation specialties on unannotated images, and can be further refined by a teaching assistant model that identifies associated vessels around the pancreas. A student model is trained on both manual and pseudo annotated multi-phase images. Experiment results show that our proposed method provides an absolute improvement of 6.3% Dice score over the strong baseline of nnUNet trained on annotated images, achieving the performance (Dice = 0.71) similar to the inter-observer variability between radiologists.

연구 동기 및 목표

• 제한된 전문가 애너테이션을 처리할 수 있는 강건하고 완전 자동화된 PDAC 분할 방법을 개발하는 것.
• 종양 경계가 명확하지 않고 영상 대비가 낮은 도전적인 다단계 CT 스캔에서 분할 정확도를 향상시키는 것.
• 수동 분할의 노동 집약적인 과정에 의존도를 줄여 대규모 종양학 연구를 가능하게 하는 것.
• 방사선의사 간 상호 관측자 간 변동성과 비교할 수 있는 성능을 달성하는 것.
• 자기학습 프레임워크를 통해 애너테이션되지 않은 데이터를 활용하여, 소규모 애너테이션 데이터셋을 초월한 모델 훈련을 확장하는 것.

제안 방법

• 이중 티처 자기학습 프레임워크는 두 개의 전문화된 PDAC 분할 모델(각각 다른 강점을 지님)을 사용하여 애너테이션이 없는 다단계 CT 스캔에 대해 가짜 애너테이션을 생성한다.
• 트레이닝 어시스턴트 모델은 문맥 기반으로 혈관 구조(예: 문맥 정맥, 비장 정맥)를 췌장에서 식별하고 제외하여 분할 정확도를 향상시킨다.
• 학생 모델은 수동으로 애너테이션된 이미지와 티처 및 트레이닝 어시스턴트 모델이 정제한 가짜 애너테이션의 조합을 기반으로 훈련된다.
• 다단계 CT 데이터(비대조, 동맥기, 정맥기)를 통합하여 종양의 가시성을 향상시키고 모델의 일반화 능력을 강화한다.
• 성능 평가에 다섯 개의 폴드 교차검증 전략을 사용하며, 주요 평가 지표로 딱지 계수(Dice coefficient)를 사용한다.
• 약 1,000명의 환자를 포함하는 대규모 다기관 데이터셋을 활용하여 방법을 검증하였으며, 애너테이션된 사례와 애너테이션되지 않은 사례가 모두 포함되어 있다.

실험 결과

연구 질문

• RQ1 제한된 전문가 애너테이션만 존재할 경우 자기학습 프레임워크가 PDAC 분할 성능을 효과적으로 향상시킬 수 있는가?
• RQ2 서로 다른 전문성을 지닌 다수의 티처 모델을 통합하면 복잡하고 대비가 낮은 CT 스캔에서 분할 정확도를 향상시킬 수 있는가?
• RQ3 혈관 구조 배제에 집중한 트레이닝 어시스턴트 모델이 PDAC 분할에서 종양 경계의 정밀도를 향상시킬 수 있는가?
• RQ4 제안된 방법이 방사선의사 간 상호 관측자 간 변동성과 비교해 유사한 성능을 달성할 수 있는가?
• RQ5 부분적으로 애너테이션된 다단계 CT 스캔 데이터를 기반으로 훈련된 학생 모델이 nnUNet과 같은 강력한 베이스라인을 초월할 수 있는가?

주요 결과

• 제안된 방법은 테스트 세트에서 중앙값 딱지 점수 0.755를 기록하여, 완전히 애너테이션된 데이터로 훈련된 베이스라인 nnUNet 모델을 크게 능가한다.
• 트레이닝 어시스턴트가 정제한 가짜 애너테이션을 통합한 후 학생 모델은 딱지 점수 0.709를 달성하였으며, 이는 nnUNet 베이스라인 대비 6.3%p의 절대적 향상이다.
• 메서드는 딱지 점수 0.71을 기록하였으며, 이는 방사선의사 간 상호 관측자 간 변동성(0.697–0.710)과 유사하여 방사선의사 수준의 성능을 나타낸다.
• 비대조, 동맥기, 정맥기의 3단계 CT를 사용함으로써 분할 성능이 0.646으로 향상되었으며, 이는 이전 최고 성능을 초월한다.
• 트레이닝 어시스턴트 모델은 정확하게 혈관을 식별하고 췌장 및 종양 분할에서의 가짜 양성 결과를 효과적으로 감소시켰다.
• 정성적 결과는 학생 모델이 특히 크고 비정상적인 형태의 종양, 그리고 복잡한 혈관 구조 근처에 있는 종양의 경계 정밀도를 향상시켰음을 보여준다.