[論文レビュー] Anatomically constrained CT image translation for heterogeneous blood vessel segmentation

Giammarco La Barbera, Haithem Boussaid+5 more|arXiv (Cornell University)|Oct 4, 2022

Generative Adversarial Networks and Image Synthesis被引用数 5

ひとこと要約

本稿では、造影CT（ceCT）と非造影CT（non-contrast CT）スキャン間のペアなしCT画像変換を、解剖学的制約を加えたCycleGANを用いて提案する。この手法により、構造的一致性とセグメンテーション性能が向上し、自己教師付きボディレグレッサーと領域選択を統合することで、高精細で解剖学的に妥当な画像が生成され、実際のCTスキャンと同等の血管セグメンテーション精度を達成した。

ABSTRACT

Anatomical structures such as blood vessels in contrast-enhanced CT (ceCT) images can be challenging to segment due to the variability in contrast medium diffusion. The combined use of ceCT and contrast-free (CT) CT images can improve the segmentation performances, but at the cost of a double radiation exposure. To limit the radiation dose, generative models could be used to synthesize one modality, instead of acquiring it. The CycleGAN approach has recently attracted particular attention because it alleviates the need for paired data that are difficult to obtain. Despite the great performances demonstrated in the literature, limitations still remain when dealing with 3D volumes generated slice by slice from unpaired datasets with different fields of view. We present an extension of CycleGAN to generate high fidelity images, with good structural consistency, in this context. We leverage anatomical constraints and automatic region of interest selection by adapting the Self-Supervised Body Regressor. These constraints enforce anatomical consistency and allow feeding anatomically-paired input images to the algorithm. Results show qualitative and quantitative improvements, compared to stateof-the-art methods, on the translation task between ceCT and CT images (and vice versa).

研究の動機と目的

• 造影CT画像における不均一な造影の影響により、正確な血管セグメンテーションが困難になるという課題に対処すること。
• 生成モデルを用いて片方のCTモodalitiy（ceCTまたはCT）を合成することで、両方を撮影するのではなく被曝線量を低減すること。
• ペアなし、スライス単位の3Dボリューム変換において、3D画像変換の忠実性と解剖学的整合性を向上させること。
• ペア学習データがなくても、高品質で解剖学的に整合性のあるCT画像合成を可能とすること。
• 合成CT画像が、実際のCTスキャンと同等のセグメンテーション性能を達成できることを検証すること。

提案手法

• スライスのアライメントに、解剖学的に関連する領域（特に腎臓領域）を自動特定できる自己教師付きボディレグレッサー（SSBR）を統合した、CycleGANの変更版を採用する。
• 解剖学的ランドマーク（例：腎臓）に基づいて、ceCTとCTボリューム間の対応するスライスを選択する位置ベース選択（PBS）戦略を導入する。
• 画像変換モデルを適用する前に、SimpleITKを用いて3Dアフィン変換登録を実施する。
• 生成器にU-Net、識別器にPatch-GANを用い、サイクル整合性損失と adversarial 損失を適用する。
• 生成されたスライスが入力スライスと同一の解剖学的コンテンツに対応することを保証することで、解剖学的制約を統合する。
• 3段階のトレーニングパイプラインを採用：3D登録、PBS/SSBRに基づくスライス選択、CycleGANに基づく画像変換。

実験結果

リサーチクエスチョン

• RQ1 ペアデータが存在しない状況下で、解剖学的制約を導入することで、3D CT画像変換の忠実性と整合性が向上するか？
• RQ2 腎臓などの解剖学的ランドマークに基づくスライス選択は、ペアなしCT画像変換における構造的アライメントと変換品質を向上させるか？
• RQ3 合成CT画像は、不均一な血管に対して、実CTスキャンと同等のセグメンテーション性能を達成できるか？
• RQ4 標準的なCycleGAN や UNIT などの最先端のペアなし画像変換モデルと比較して、本手法は視覚的・定量的品質において優れているか？
• RQ5 生成画像における解剖学的整合性は、アーチファクトをどれほど低減させ、下流のセグメンテーションタスクをどれほど向上させるか？

主な発見

• 本手法は、合成CT画像を用いて実際のceCTで得られた血管のDiceスコアが70.01 ± 3.99（動脈）、56.55 ± 20.20（静脈）を達成し、実CTスキャンと同等の性能を示した。
• 本手法の合成CT画像を用いたセグメンテーションは、標準的なCycleGANおよびUNITベースラインを上回り、PBSベースのCycleGANと比較して動脈のDiceスコアで4.45%の絶対的向上を示した。
• SSBRおよびPBSに基づくスライス選択の導入により、解剖学的誤アライメントが顕著に低減され、生成画像の構造的一致性が向上した。
• HD95（ハウスドルフ距離）は、動脈で13.47 ± 10.09 mm、静脈で20.93 ± 22.96 mmにまで低減され、セグメンテーション境界の正確性が向上したことが示された。
• 極めて不均一な患者に対して、本手法は合成CTを用いて動脈で70.15 ± 3.52、静脈で37.00 ± 16.11のDiceスコアを達成し、実際のceCTのみを用いたセグメンテーションを上回った。
• 視覚的比較により、ベースラインモデルと比較して、生成画像のアーチファクトが低減され、解剖学的に妥当な品質が向上したことが確認された。