[論文レビュー] 3D convolutional neural network for abdominal aortic aneurysm segmentation

Karen López‐Linares, I. García+3 more|arXiv (Cornell University)|Mar 3, 2019

Aortic aneurysm repair treatments参考文献 21被引用数 14

ひとこと要約

本稿では、術前および術後CTA画像における腹部大動脈瘤（AAA）の自動セグメンテーションを目的とした3次元畳み込みニューラルネットワーク（CNN）を提案する。マルチスケール特徴抽出と重み付きDice損失を活用することで、精度が向上する。平均径の誤差は3.3 mm、Diceスコアは87%を達成し、2次元手法を上回り、破裂リスク評価に向けた臨床的意義のある客観的測定—特に瘤の成長と体積変化—を可能にする。

ABSTRACT

An abdominal aortic aneurysm (AAA) is a focal dilation of the aorta that, if not treated, tends to grow and may rupture. A significant unmet need in the assessment of AAA disease, for the diagnosis, prognosis and follow-up, is the determination of rupture risk, which is currently based on the manual measurement of the aneurysm diameter in a selected Computed Tomography Angiography (CTA) scan. However, there is a lack of standardization determining the degree and rate of disease progression, due to the lack of robust, automated aneurysm segmentation tools that allow quantitatively analyzing the AAA. In this work, we aim at proposing the first 3D convolutional neural network for the segmentation of aneurysms both from preoperative and postoperative CTA scans. We extensively validate its performance in terms of diameter measurements, to test its applicability in the clinical practice, as well as regarding the relative volume difference, and Dice and Jaccard scores. The proposed method yields a mean diameter measurement error of 3.3 mm, a relative volume difference of 8.58 %, and Dice and Jaccard scores of 87 % and 77 %, respectively. At a clinical level, an aneurysm enlargement of 10 mm is considered relevant, thus, our method is suitable to automatically determine the AAA diameter and opens up the opportunity for more complex aneurysm analysis.

研究の動機と目的

• 標準化された自動AAAセグメンテーションによる未満たされた臨床的ニーズに対応すること。
• 多様なベンダーの術前および術後CTAスキャンに適応可能な、頑健でパrameterフリーの3次元ディープラーニングモデルの開発。
• 手動による2次元スライスベースの手法を超えて、破裂リスクの主要な予測因子である瘤径および体積の正確で再現性のある測定を可能にすること。
• 強度ベースおよび形状制約付きセグメンテーション手法が示す漏れや初期輪郭依存性の問題を克服すること。
• EVARフォローアップに不可欠な、複雑な瘤幾何形状解析（体積変化や成長速度の評価）の基盤を提供すること。

提案手法

• 本手法は、ハリスティックにネストされたエッジ検出ネットワークの3次元拡張を採用し、複数スケールの特徴マップを統合することで、境界およびグローバル形状検出を強化する。
• 不均衡なデータ（小規模な瘤領域）に対応するため、新規の重み付きDice損失関数を導入し、セグメンテーションの最適化を図る。
• ルーメンや中心線の事前セグメンテーションを必要とせず、80例の術前および術後CTAデータセット上でエンドツーエンドで学習を実施。
• マルチスケール特徴を活用：低レベル特徴は細かなエッジ検出に、高レベル特徴はグローバル局在化および滑らかな輪郭予測に寄与。
• 形状事前分布や手動初期化に依存せず、強度変動に対しても頑健な非パrametricなモデル設計。
• 2次元スライス処理や中心線などの中間構造を必要とせず、3次元ボリュームCTAデータを直接処理する。

実験結果

リサーチクエスチョン

• RQ1 3次元CNNベースの手法は、術前および術後CTAスキャンの両方において、2次元手法を上回るAAAセグメンテーション性能を示せるか？
• RQ2 特に臨床的有意義とされる10 mm未満の閾値以下において、提案手法の径測定誤差は手動評価に比べてどの程度低減されるか？
• RQ3 径の測定に加え、より感度の高い破裂リスク予測因子である体積変化の測定において、モデルはどの程度の性能を示すか？
• RQ4 ルーメンや中心線の事前セグメンテーションを不要とすることで、自動化が向上し、誤差伝搬が低減できるか？
• RQ5 標準損失関数と比較して、重み付きDice損失は、小規模または薄い血腫領域のセグメンテーション精度を向上させるか？

主な発見

• 提案された3次元CNNは、平均径測定誤差が3.3 mmに達し、瘤の成長を評価する上で臨床的に有意義とされる10 mm未満の閾値を下回った。
• Dice類似係数は87%、Jaccardスコアは77%を達成し、高いセグメンテーション精度を示した。
• 相対的体積差は8.58%であり、既存手法と比較して体積推定の精度が向上したことを示した。
• 28例中25例で径誤差が5 mm未満であったため、大多数の症例で高い一貫性を示した。
• Diceスコアおよび体積推定の両面で、2次元対応手法およびグラフカットや可変モデルといった最先端手法を上回った。
• 異なるCTスキャナ間でも頑健に性能を発揮し、ルーメンや中心線の事前セグメンテーションを不要としており、臨床応用性が向上した。