[論文レビュー] Semantic Segmentation of Thigh Muscle using 2.5D Deep Learning Network Trained with Limited Datasets

Hasnine Haque, Masahiro Hashimoto+2 more|arXiv (Cornell University)|Nov 21, 2019

Nutrition and Health in Aging参考文献 11被引用数 5

ひとこと要約

本論文では、限られたトレーニングデータを用いて、CTスキャンにおける11種類の大腿筋のセマンティックセグメンテーションを向上させる2.5次元U-Netディープラーニングモデルを提案する。軸方向、冠状方向、矢状方向のスライスにそれぞれ独立してトレーニングされた3つの2D U-Netを用い、その出力を投票による統合することで、平均DSCが91.18%、ASDが0.84±0.27 mmを達成し、同じデータ制約下で2Dおよび3D U-Netモデルを上回る性能を示した。

ABSTRACT

Purpose: We propose a 2.5D deep learning neural network (DLNN) to automatically classify thigh muscle into 11 classes and evaluate its classification accuracy over 2D and 3D DLNN when trained with limited datasets. Enables operator invariant quantitative assessment of the thigh muscle volume change with respect to the disease progression. Materials and methods: Retrospective datasets consist of 48 thigh volume (TV) cropped from CT DICOM images. Cropped volumes were aligned with femur axis and resample in 2 mm voxel-spacing. Proposed 2.5D DLNN consists of three 2D U-Net trained with axial, coronal and sagittal muscle slices respectively. A voting algorithm was used to combine the output of U-Nets to create final segmentation. 2.5D U-Net was trained on PC with 38 TV and the remaining 10 TV were used to evaluate segmentation accuracy of 10 classes within Thigh. The result segmentation of both left and right thigh were de-cropped to original CT volume space. Finally, segmentation accuracies were compared between proposed DLNN and 2D/3D U-Net. Results: Average segmentation DSC score accuracy of all classes with 2.5D U-Net as 91.18% and Average Surface distance (ASD) accuracy as 0.84 mm. We found, mean DSC score for 2D U-Net was 3.3% lower than the that of 2.5D U-Net and mean DSC score of 3D U-Net was 5.7% lower than that of 2.5D U-Net when trained with same datasets. Conclusion: We achieved a faster computationally efficient and automatic segmentation of thigh muscle into 11 classes with reasonable accuracy. Enables quantitative evaluation of muscle atrophy with disease progression.

研究の動機と目的

• 臨床的CTスキャンにおける11種類の大腿筋クラスのセマンティックセグメンテーションを自動化する深層学習ベースの手法を開発すること。
• 限られたアノテート済みトレーニングデータの課題に対処するために、計算効率的で高精度なセグメンテーションモデルを構築すること。
• 研究者に依存しない、疾患進行に関連する筋肉体積変化の定量的評価を可能にすること。
• 初期U-Net予測を活用した効率的なグランドトゥルースラベル作成戦略を提案することで、手動セグメンテーションの作業負荷を軽減すること。
• 同じトレーニング条件下で、2.5D U-Netと2Dおよび3D U-Netアーキテクチャの性能を比較すること。

提案手法

• フレームワークは、大腿CTボリュームの軸方向、冠状方向、矢状方向スライスにそれぞれトレーニングされた3つの独立した2D U-Netモデルからなる2.5次元U-Netアーキテクチャを採用している。
• 各2D U-Netは3次元ボリュームの1つの方向のスライスを処理し、2次元スライスからの空間的コンテキストを学習しながらも、3次元解剖学的構造を保持する。
• 投票ベースの統合戦略により、3つの2D U-Netのセグメンテーション出力を統合し、最終的な一貫性のある3次元セグメンテーション結果を生成する。
• 自動前処理を含む：CT画像シリーズはAIベースの解剖学分類器によって分類され、大腿領域が特定された後、クロッピング、2mmの等方的ボクセルにリサンプリング、および大腿骨軸にあわせる処理が実施される。
• グランドトゥルースラベルは、筋肉境界で初期U-Net予測を手動で精査・修正することで作成され、アノテーション時間と作業負荷が削減された。
• セグメンテーション結果はデクロップされ、元のCT画像空間に変換され、正確な評価が可能になった。

実験結果

リサーチクエスチョン

• RQ1 限られたデータセットでトレーニングされた場合、2.5D U-Netアーキテクチャは2Dおよび3D U-Netモデルに比べて優れたセグメンテーション精度を達成できるか？
• RQ2 2.5Dアプローチは、CTにおいて境界が不明瞭で軟部組織コントラストが低い筋肉のセグメンテーション性能を向上させるか？
• RQ3 多平面U-Net出力の投票ベース統合は、セグメンテーションの一貫性と正確性をどの程度向上させるか？
• RQ4 提案手法は、高いセグメンテーション精度を維持したまま、手動アノテーションの作業負荷を低減できるか？
• RQ5 サイズが小さく境界が曖昧な小規模な筋肉クラスに対して、2.5D U-Netは誤分類のリスクをどのように低減できるか？

主な発見

• 2.5D U-Netは、同じ限られたデータセットでトレーニングされた場合、11種類の筋肉クラスの平均Dice類似係数（DSC）が91.18%を達成し、2D U-Net（3.3%低い）および3D U-Net（5.7%低い）を顕著に上回った。
• 2.5D U-Netの平均表面距離（ASD）は0.84±0.27 mmであり、2段階の階層的アプローチを用いたYokotaらの報告（1.61±0.70 mm）に比べ顕著な改善を示した。
• 2D U-Netと比較して、DSC（p < 0.05）およびASD（p < 0.01）において統計的に有意な改善が確認され、境界の局所化と被りの精度が向上した。
• DSCが低かったものの、3D U-NetはDSCスコアの四分位範囲（IQR）が狭く、クラス間でより安定した性能を示したが、全体として2.5Dモデルに劣った。
• GPU搭載ワークステーション上での推論時間は1.08±0.007分/大腿部ボリュームと非常に高速で、臨床応用が可能である。
• 初期U-Net予測を基盤としてグランドトゥルース作成を精緻化することで、手動ラベリング作業の負荷を軽減し、正確性を損なわず効率性が向上した。