[論文レビュー] Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer

Dejan Kostyszyn, Tobias Fechter+23 more|arXiv (Cornell University)|Aug 7, 2020

Prostate Cancer Diagnosis and Treatment参考文献 28被引用数 4

ひとこと要約

本研究では、初発前立腺がん患者のPSMA-PET画像における前立腺内腫瘍の自動分離を目的として、3次元U-Net畳み込みニューラルネットワーク（CNN）を提案する。2つの施設から得た152例の患者を用いて訓練されたモデルは、内部および外部のテストデータセットにおいて、中央値が0.84の高いDiceスコアと、最大1.0に達する感度を示し、熟練した輪郭描画と同等の、強固で正確かつ高速（1スキャンあたり6秒）な性能を発揮した。

ABSTRACT

Accurate delineation of the intraprostatic gross tumour volume (GTV) is a prerequisite for treatment approaches in patients with primary prostate cancer (PCa). Prostate-specific membrane antigen positron emission tomography (PSMA-PET) may outperform MRI in GTV detection. However, visual GTV delineation underlies interobserver heterogeneity and is time consuming. The aim of this study was to develop a convolutional neural network (CNN) for automated segmentation of intraprostatic tumour (GTV-CNN) in PSMA-PET. Methods: The CNN (3D U-Net) was trained on [68Ga]PSMA-PET images of 152 patients from two different institutions and the training labels were generated manually using a validated technique. The CNN was tested on two independent internal (cohort 1: [68Ga]PSMA-PET, n=18 and cohort 2: [18F]PSMA-PET, n=19) and one external (cohort 3: [68Ga]PSMA-PET, n=20) test-datasets. Accordance between manual contours and GTV-CNN was assessed with Dice-Sørensen coefficient (DSC). Sensitivity and specificity were calculated for the two internal test-datasets by using whole-mount histology. Results: Median DSCs for cohorts 1-3 were 0.84 (range: 0.32-0.95), 0.81 (range: 0.28-0.93) and 0.83 (range: 0.32-0.93), respectively. Sensitivities and specificities for GTV-CNN were comparable with manual expert contours: 0.98 and 0.76 (cohort 1) and 1 and 0.57 (cohort 2), respectively. Computation time was around 6 seconds for a standard dataset. Conclusion: The application of a CNN for automated contouring of intraprostatic GTV in [68Ga]PSMA- and [18F]PSMA-PET images resulted in a high concordance with expert contours and in high sensitivities and specificities in comparison with histology reference. This robust, accurate and fast technique may be implemented for treatment concepts in primary PCa. The trained model and the study's source code are available in an open source repository.

研究の動機と目的

• 初発前立腺がん患者における前立腺内腫瘍のグロス腫瘍体積（GTV）を正確に描出する自動化されたディープラーニング手法の開発。
• PSMA-PET画像における手動GTV描出に伴う観察者間ばらつきと時間的制約を克服すること。
• 3次元U-Net CNNの性能を熟練医の輪郭と組織病理学的基準と比較して評価すること。
• 複数のPSMA tracer（[68Ga]および[18F]）と独立したデータセットを用いたテストにより、一般化可能性を確保すること。
• 臨床的および研究的利用を目的として、トレーニング済みモデルとコードをオープンソースで公開すること。

提案手法

• 3次元U-Netアーキテクチャを、前立腺内腫瘍の3次元ボリュメトリック分離のためのディープラーニングフレームワークとして採用した。
• モデルは、妥当性が確認された手動分離技術により生成された基準ラベルを用いて、[68Ga]PSMA-PET画像から152例の患者データで訓練された。
• モデルの強靭性と一般化可能性を高めるために、2か所の施設から訓練データを取得した。
• モデルは3つの独立したテストデータセットで評価された：内部コhort1（[68Ga]PSMA-PET、n=18）、内部コhort2（[18F]PSMA-PET、n=19）、外部コhort（[68Ga]PSMA-PET、n=20）。
• 性能はDice-Sørensen係数（DSC）、感度、特異度で評価され、2つの内部コhortでは全装片組織病理学的画像を基準として用いた。
• 推論時間は標準データセット1件あたり約6秒であり、臨床的実用性を示している。

実験結果

リサーチクエスチョン

• RQ1 3次元U-Netディープラーニングモデルは、熟練医による手動輪郭と比較して、PSMA-PET画像における前立腺内腫瘍の分離で高い正確性を達成できるか？
• RQ2 モデルの性能は、異なるPSMA tracer（[68Ga]対[18F]）および独立したデータセットにおいてどのように変動するか？
• RQ3 全装片組織病理学的画像をゴールドスタンダードとして比較した場合、自動分離の感度と特異度はどの程度か？
• RQ4 手動GTV描出における観察者間ばらつきと比較して、モデルの性能はどの程度か？
• RQ5 最小限のファインチューニングで、施設や画像プロトコルを問わず一般化可能か？

主な発見

• 最初の内部コhort（[68Ga]PSMA-PET）において、手動輪郭とGTV-CNN間の中央値Dice-Sørensen係数（DSC）は0.84であり、範囲は0.32～0.95であった。
• 2番目の内部コホート（[18F]PSMA-PET）では、中央値DSCが0.81で、範囲は0.28～0.93であった。
• 外部テストコホート（[68Ga]PSMA-PET）では、中央値DSCが0.83で、範囲は0.32～0.93であり、強力な一般化性能が示された。
• 最初の内部コホートでは、GTV-CNNの感度が0.98、特異度が0.76であった。2番目のコホートでは、感度が1.0、特異度が0.57であった。
• モデルの推論時間は1データセットあたり約6秒であり、臨床的実用性が裏付けられた。
• トレーニング済みモデルとソースコードは、広範な研究および臨床的応用を目的として、オープンソースリポジトリで公開されている。