[논문 리뷰] Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines

Alexander Jaus, Constantin Seibold외 6명|arXiv (Cornell University)|2023. 07. 25.

Medical Imaging and AnalysisEngineering인용 수 3

한 줄 요약

이 논문은 방사선의학 전문가의 참여 없이, 분산된 자료에서의 지식 통합과 해부학적 규칙에 기반한 nnU-Net 기반 가짜 레이블링을 통해 533개의 볼륨에 걸쳐 142개의 해부학적 레이블을 포함하는 종합적인 전신 CT 분할 데이터셋(DAP Atlas)을 생성하는 새로운 방법을 제안한다. 이 방법은 BTCV에서 훈련 데이터를 사용하지 않고도 85%의 Dice 스코어를 달성하며, 높은 품질의 분할 성능을 보이며, 최소한의 인간 레이블링으로도 확장 가능하고 자동화되고 신뢰할 수 있는 대규모 의료 데이터셋 제작의 가능성을 입증한다.

ABSTRACT

In this study, we present a method for generating automated anatomy segmentation datasets using a sequential process that involves nnU-Net-based pseudo-labeling and anatomy-guided pseudo-label refinement. By combining various fragmented knowledge bases, we generate a dataset of whole-body CT scans with $142$ voxel-level labels for 533 volumes providing comprehensive anatomical coverage which experts have approved. Our proposed procedure does not rely on manual annotation during the label aggregation stage. We examine its plausibility and usefulness using three complementary checks: Human expert evaluation which approved the dataset, a Deep Learning usefulness benchmark on the BTCV dataset in which we achieve 85% dice score without using its training dataset, and medical validity checks. This evaluation procedure combines scalable automated checks with labor-intensive high-quality expert checks. Besides the dataset, we release our trained unified anatomical segmentation model capable of predicting $142$ anatomical structures on CT data.

연구 동기 및 목표

• 의료 영상 분야에서 다구조적 전신 CT 스캔을 위한 통합적이고 종합적인 해부학적 분할 데이터셋의 부족 문제를 해결하기 위해.
• 수백 개의 해부학적 구조가 포함된 수백 개의 CT 볼륨에 걸쳐 병변 수준의 수동 레이블링이 비용이 많이 들고 현실적으로 불가능한 문제를 해결하기 위해.
• 산재된 지식 기반과 의료 지침에 기반한 자기학습을 통한 고품질 전문가 검증 분할 데이터셋을 자동으로 생성할 수 있는 확장 가능한 자동화된 파이프라인을 개발하기 위해.
• 통합적이고 종합적인 데이터셋을 통해 전신 해부학 분할 모델의 전이 학습을 가능하게 하고, 다양한 기관 간 및 전신 분석을 지원하기 위해.

제안 방법

• 기존에 부분적으로 레이블링된 데이터셋과 의학 앨라스에서 산재한 지식을 통합하여 통합된 해부학 지식 기반을 구축하기 위해.
• 533개의 전신 CT 볼륨 전역에 걸쳐 nnU-Net 기반의 가짜 레이블링을 적용하여 초기 분할 마스크를 생성하기 위해.
• 의료 지식에서 유도된 해부학 기반 후처리 규칙을 활용하여 가짜 레이블을 보완하여 공간적 및 구조적 타당성을 향상시키기 위해.
• 하이브리드 평가 전략을 통해 데이터셋 품질을 검증하기 위해: 무작위 샘플에 대한 전문가 검토와 BTCV와 같은 외부 데이터셋에서의 자동화된 벤치마크 평가를 수행하기 위해.
• DAP Atlas 데이터셋에 기반하여 통합 분할 모델(V1)과 강건한 변형(V2)을 훈련시켜 일반화 능력과 분포 외 성능을 평가하기 위해.
• DAP Atlas 데이터셋과 훈련된 모델을 오픈 액세스로 공개하여 재현 가능성과 커뮤니티 활용을 촉진하기 위해.

실험 결과

연구 질문

• RQ1 방사선의학 전문가의 병변 수준 레이블링 없이도 142개의 해부학적 레이블을 포함한 대규모 전신 CT 분할 데이터셋을 생성할 수 있는가?
• RQ2 해부학적 규칙에 기반한 지식 통합과 자기학습 파이프라인은 임상적으로 타당하고 정확한 분할 마스크를 얼마나 효과적으로 생성하는가?
• RQ3 DAP Atlas 데이터셋에서 훈련된 모델이 BTCV와 같은 분포 외 작업에 대해 훈련 데이터 없이 얼마나 잘 일반화되는가?
• RQ4 전체 병변 수준 검토가 불가능한 대규모 복잡한 의료 분할 데이터셋의 전반적인 품질을 보장하기 위해 자동 품질 검사와 대표 샘플에 대한 전문가 검토의 조합이 얼마나 신뢰성 있게 작용하는가?
• RQ5 제안된 방법은 표준 훈련 프로토콜을 초월하는 종합적 해부학 분할 모델을 생성하는 데에 효과적인가?

주요 결과

• DAP Atlas 데이터셋은 533개의 전신 CT 볼륨과 142개의 조밀한 해부학적 레이블을 포함하며, 거의 모든 주요 인간 구조를 커버하고 있으며, 의료 전문가의 승인을 받았다.
• 제안된 자동화된 파이프라인은 BTCV 벤치마크에서 훈련 데이터를 사용하지 않고도 85%의 Dice 스코어를 달성하여 강력한 일반화 능력과 모델의 강건성을 입증했다.
• 전문가 평가를 통해 데이터셋의 해부학적 타당성과 일관성이 확인되었으며, 특히 무작위 샘플링된 부분에서 이는 자동 생성 과정의 전반적인 신뢰성을 뒷받침한다.
• 강건한 모델 변형(V2)은 분포 외 분할 작업에서 표준 nnU-Net 훈련보다 우수한 성능을 보이며, 향상된 일반화 능력을 나타낸다.
• 데이터셋과 훈련된 모델는 공개되어 향후 종합적 해부학 분할 및 다중 모odal 영상 응용 분야의 연구를 가능하게 한다.
• 전체 병변 수준 검토가 불가능한 대규모 데이터셋을 검증하기 위해 자동 검사와 대상 전문가 검토의 조합 전략이 효과적임을 입증했다.