[논문 리뷰] TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI

Tugba Akinci D’Antonoli, Lucas K. Berger외 17명|arXiv (Cornell University)|2024. 05. 29.

Medical Image Segmentation Techniques인용 수 22

한 줄 요약

이 논문은 TotalSegmentator 개념을 MRI로 확장하고, MRI와 CT를 대상으로 학습된 시퀀스에 독립적인 nnU-Net 모델을 제시하여 MRI에서 80개의 해부학적 구조를 자동으로 분할하고 강한 Dice 성능과 외부 검증을 달성합니다.

ABSTRACT

Since the introduction of TotalSegmentator CT, there is demand for a similar robust automated MRI segmentation tool that can be applied across all MRI sequences and anatomic structures. In this retrospective study, a nnU-Net model (TotalSegmentator) was trained on MRI and CT examinations to segment 80 anatomic structures relevant for use cases such as organ volumetry, disease characterization, surgical planning and opportunistic screening. Examinations were randomly sampled from routine clinical studies to represent real-world examples. Dice scores were calculated between the predicted segmentations and expert radiologist reference standard segmentations to evaluate model performance on an internal test set, two external test sets and against two publicly available models, and TotalSegmentator CT. The model was applied to an internal dataset containing abdominal MRIs to investigate age-dependent volume changes. A total of 1143 examinations (616 MRIs, 527 CTs) (median age 61 years, IQR 50-72) were split into training (n=1088, CT and MRI) and an internal test set (n=55; only MRI), two external test sets (AMOS, n=20; CHAOS, n=20; only MRI), and an internal aging-study dataset of 8672 abdominal MRIs (median age 59 years, IQR 45-70) were included. The model showed a Dice Score of 0.839 on the internal test set and outperformed two other models (Dice Score, 0.862 versus 0.759; and 0.838 versus 0.560; p<.001 for both). The proposed open-source, easy-to-use model allows for automatic, robust segmentation of 80 structures, extending the capabilities of TotalSegmentator to MRIs of any sequence. The ready-to-use online tool is available at https://totalsegmentator.com, the model at https://github.com/wasserth/TotalSegmentator, and the dataset at https://zenodo.org/records/14710732.

연구 동기 및 목표

• MRI의 다양한 해부학적 구조에 걸쳐 시퀀스에 독립적인 강력한 자동 분할 도구를 개발한다.
• MR 영상의 분할 성능을 향상시키기 위해 다중 모달 학습 방식(MRI와 CT)을 활용한다.
• 내부 및 외부 테스트 세트에서 성능을 평가하고 다른 모델 및 이전 TotalSegmentator CT와 비교한다.
• 장기 용적 측정, 질병 특성화 및 계획에 실용적으로 사용할 수 있는 오픈 소스의 즉시 사용 가능한 모델과 온라인 도구를 제공한다.

제안 방법

• MRI와 CT를 결합한 데이터 세트에서 80개의 해부학적 구조를 분할하기 위해 nnU-Net 기반 TotalSegmentator 모델을 학습한다.
• 내부 및 외부 테스트 세트에서 전문가 방사선과의 기준값에 대해 Dice 점수로 평가한다.
• TotalSegmentator MRI를 두 개의 다른 모델 및 벤치마크로서 TotalSegmentator CT와 비교한다.
• 일상 임상 연구의 회고적 샘플링을 사용하여 실제 데이터 변동성을 반영한다.
• 내부 복부 MRI 노화 데이터 세트를 사용하여 연령 관련 용적 변화를 분석한다.
• 재현성을 위한 오픈 소스 코드, 온라인 도구 및 데이터 세트 링크를 공개한다.

실험 결과

연구 질문

• RQ1 다양한 시퀀스에 걸쳐 단일 시퀀스 독립 모델이 MRI에서 80개의 해부학적 구조를 신뢰할 수 있게 분할할 수 있는가?
• RQ2 MRI로 학습된 TotalSegmentator가 내부 및 외부 MRI 테스트 세트에서 대안 모델 및 이전 CT 기반 버전에 비해 어떤 성능을 보이는가?
• RQ3 복부 MRI 데이터 세트에서 연령 관련 체적 변화 탐지 능력은 어떤가?

주요 결과

• 모델은 내부 MRI 테스트 세트에서 Dice 점수 0.839를 달성했다.
• 다른 두 모델과의 비교에서 Dice 점수는 각 비교에서 0.862 대 0.759(p<0.001) 및 0.838 대 0.560(p<0.001)였다.
• 연구는 학습과 테스트에 1143건의 검사(616 MRI, 527 CT)를 사용했고, 외부 MRI 테스트는 AMOS(n=20)와 CHAOS(n=20)에서 수행했다.
• 연령 의존 용적 변화를 조사하기 위해 8672개의 복부 MRI로 구성된 내부 노화 MRI 데이터 세트를 분석했다.
• 이 접근법은 어떤 시퀀스의 MRI에도 TotalSegmentator를 확장하며 오픈 소스 및 온라인 도구와 함께 공개된다.