[논문 리뷰] Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks

Georg Hille, Johannes Steffen외 4명|arXiv (Cornell University)|2020. 01. 08.

Medical Imaging and Analysis인용 수 6

한 줄 요약

이 연구는 T1- 및 T2-강조 MRI 스캔에서 척추 전이성 종양의 자동 분할을 위한 U-Net 기반 딥러닝 프레임워크를 제안하며, 평균 Dice 점수 77.6%를 기록하여 전문가 간 변동성과 유사한 성능을 달성한다. 이는 높은 이질성과 낮은 데이터량을 특징으로 하는 림프성 및 경화성 병변을 포함한 도전적인 환경에서 전문가 수준의 정확도를 보여준다.

ABSTRACT

This study's objective was to segment spinal metastases in diagnostic MR images using a deep learning-based approach. Segmentation of such lesions can present a pivotal step towards enhanced therapy planning and validation, as well as intervention support during minimally invasive and image-guided surgeries like radiofrequency ablations. For this purpose, we used a U-Net like architecture trained with 40 clinical cases including both, lytic and sclerotic lesion types and various MR sequences. Our proposed method was evaluated with regards to various factors influencing the segmentation quality, e.g. the used MR sequences and the input dimension. We quantitatively assessed our experiments using Dice coefficients, sensitivity and specificity rates. Compared to expertly annotated lesion segmentations, the experiments yielded promising results with average Dice scores up to 77.6% and mean sensitivity rates up to 78.9%. To our best knowledge, our proposed study is one of the first to tackle this particular issue, which limits direct comparability with related works. In respect to similar deep learning-based lesion segmentations, e.g. in liver MR images or spinal CT images, our experiments showed similar or in some respects superior segmentation quality. Overall, our automatic approach can provide almost expert-like segmentation accuracy in this challenging and ambitious task.

연구 동기 및 목표

• 방사선치료나 라디오펄스 부양술과 같은 영상 유도 치료를 위한 핵심 단계인 척추 전이성 종양의 MRI에서 자동 분할 방법의 부족을 해결한다.
• T1- 및 T2-강조 시퀀스에서 병변의 외형에 큰 변동성이 존재하는 문제를 해결하며, 림프성 및 경화성 병변 모두를 포함한다.
• 임상 MRI 환경에서 입력 모odal리티(T1 대비 T2)와 입력 차원이 분할 정확도에 미치는 영향을 평가한다.
• 단지 40건의 케이스로 구성된 소규모 학습 데이터셋에도 불구하고 전문가 수준의 상호 독립성 변동성에 근접한 분할 성능를 달성한다.

제안 방법

• 다중 대조 MRI에서 척추 전이성 종양의 3D 의미 분할을 위한 U-Net 유사 컨volution 신경망 아키텍처를 사용한다.
• 림프성 및 경화성 전이성 종양이 모두 포함된 40건의 임상 케이스를 대상으로 T1- 및 T2-강조 시퀀스를 입력 모달리티로 사용해 모델을 학습시킨다.
• 내부 차원(예: axial 슬라이스, 3D 볼륨)과 시퀀스 조합을 다양하게 적용하여 모델의 내성 및 성능 상호 간의 타협 여부를 평가한다.
• 제한된 데이터에서 일반화 능력을 향상시키기 위해 표준 딥러닝 손실 함수와 데이터 증강 기법을 활용해 네트워크를 최적화한다.
• 분할 성능를 정량화하기 위해 주로 Dice 계수, 민감도, 특이도를 평가 지표로 사용한다.
• 성능를 임상적 의미 부여를 위해 전문가 애너테이션 간 상호 독립성 변동성과 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 접근법이 MRI에서 척추 전이성 종양의 분할 정확도를 전문가 방사선의사 수준에 도달할 수 있는가?
• RQ2 다른 MRI 시퀀스(T1- 대비 T2-강조)는 척추 전이성 종양의 분할 성능에 어떤 영향을 미치는가?
• RQ3 입력 차원(예: 2D 슬라이스 대비 3D 볼륨)은 척추 전이성 종양의 분할 품질에 어떤 영향을 미치는가?
• RQ4 기존의 다른 장기나 영상 모odal리티를 대상으로 한 레이저 분할을 위한 딥러닝 접근법과 비교했을 때, 본 연구에서 제안한 방법은 어떠한가?

주요 결과

• 최적의 성능를 보인 구성에서 제안된 방법은 평균 Dice 점수 77.6%를 기록했으며, 전문가 간 상호 독립성 변동성 79.4%에 근접했다.
• 민감도는 최대 78.9%에 도달하여 다양한 형태의 전이성 병변을 강력하게 탐지할 수 있는 능력을 보였다.
• T1-강조 이미지를 통합함으로써 T2-강조 시퀀스만을 사용하는 것보다 분할 성능가 유의미하게 향상되었다.
• 소규모 학습 데이터셋(40건)에도 불구하고 일부 이전 연구에서 사용한 200건의 데이터셋에 비해도 간간이 최신의 뇌 및 간 종양 분할 딥러닝 방법과 유사한 성능를 보였다.
• 결과의 표준편차(10.8%)는 전문가 간 상호 독립성 변동성(6.2%)보다 높아, 개별 케이스에 대한 안정성 향상 여지가 있음을 시사한다.
• 이 연구는 MRI에서 자동 척추 전이성 종양 분할에 있어 초기 尝시도 중 하나이며, 이 분야에 정확한 이전 연구가 없어 직접 비교가 어려운 상황이다.