[論文レビュー] Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning

Muhammad Usman, Byoung-Dai Lee+3 more|arXiv (Cornell University)|Dec 31, 2019

Lung Cancer Diagnosis and Treatment参考文献 41被引用数 6

ひとこと要約

本論文では、放射線科医が提供する2次元ROIを用いて、アダプティブROI（A-ROI）とマルチビュー残差U-Netを介して冠状断面、 coronal断面、矢状断面の全三次元で動的に肺結節を検出する、2段階の半自動的3次元肺結節セグメンテーション手法を提案する。この手法は、LIDC-IDRIデータセットにおいて3次元セグメンテーションのDiceスコア87.55を達成し、人為的作業を削減するとともに、多様な結節タイプにわたる頑健性を向上させ、最先端の手法を上回る性能を発揮した。

ABSTRACT

Accurate quantification of pulmonary nodules can greatly assist the early diagnosis of lung cancer, which can enhance patient survival possibilities. A number of nodule segmentation techniques have been proposed, however, all of the existing techniques rely on radiologist 3-D volume of interest (VOI) input or use the constant region of interest (ROI) and only investigate the presence of nodule voxels within the given VOI. Such approaches restrain the solutions to investigate the nodule presence outside the given VOI and also include the redundant structures into VOI, which may lead to inaccurate nodule segmentation. In this work, a novel semi-automated approach for 3-D segmentation of nodule in volumetric computerized tomography (CT) lung scans has been proposed. The proposed technique can be segregated into two stages, at the first stage, it takes a 2-D ROI containing the nodule as input and it performs patch-wise investigation along the axial axis with a novel adaptive ROI strategy. The adaptive ROI algorithm enables the solution to dynamically select the ROI for the surrounding slices to investigate the presence of nodule using deep residual U-Net architecture. The first stage provides the initial estimation of nodule which is further utilized to extract the VOI. At the second stage, the extracted VOI is further investigated along the coronal and sagittal axis with two different networks and finally, all the estimated masks are fed into the consensus module to produce the final volumetric segmentation of nodule. The proposed approach has been rigorously evaluated on the LIDC dataset, which is the largest publicly available dataset. The result suggests that the approach is significantly robust and accurate as compared to the previous state of the art techniques.

研究の動機と目的

• 肺結節セグメンテーションのための手動3次元ボリュームオブインタレスト（VOI）入力を最小限に抑えることで、放射線科医の作業負荷を軽減すること。
• 固定または放射線科医が提供するVOIの限界を克服し、結節を除外するか、非結節構造を含む可能性を排除すること。
• 複数のCTスキャン断面にわたる動的かつ適応的な結節探索を可能にすることで、セグメンテーションの正確性を向上させること。
• VOIを自動的に推定し、複数の視点からの予測を統合する最終的セグメンテーションを実現する、頑健で半自動的なフレームワークの開発。
• 微細な、棘状の、または付着のない結節を含む多様な結節タイプにおける性能向上。

提案手法

• 本手法は、放射線科医が提供する2次元の軸方向ROIを入力として用い、結節検出を開始する。
• アダプティブROI（A-ROI）アルゴリズムが、深層残差U-Netを用いて隣接する軸方向スライスにわたる領域のサイズと位置を動的に調整し、結節の有無を検出する。
• 検出された結節領域を基に、CTスキャンから自動的に3次元VOIを抽出する。
• 抽出されたVOIに対して、冠状断面および矢状断面に沿って、2つの追加の残差U-Netを適用し、ピースワイズなセグメンテーションを実行する。
• 軸方向、冠状断面、矢状断面からのセグメンテーションマスクを、コンSENSUSモジュールを用いて統合し、最終的な3次元セグメンテーションを生成する。
• フレームワークは、複数の直交的視点からの結節の幾何学的特徴を捉えることで、マルチビュー学習を活用し、頑健性と正確性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 半自動的手法により、3次元VOI入力を2次元ROIに置き換えることで、放射線科医の負担を軽減しつつ高いセグメンテーション正確性を維持できるか？
• RQ2 アダプティブROI学習により、初期の2次元ROIを超えて延長する結節の検出が向上するか？
• RQ3 軸方向、冠状断面、矢状断面の3つの平面を用いたマルチビューセグメンテーションは、単一平面手法と比較して3次元結節境界の正確性が向上するか？
• RQ4 コンセンサスモジュールは、複数の視点からの予測を効果的に統合し、より頑健で正確な最終セグメンテーションを生成できるか？
• RQ5 本手法は、微細な、付着のない、または縁が不明瞭な結節を含む多様な結節タイプにおいて、どのように性能を発揮するか？

主な発見

• 提案手法は、LIDC-IDRIデータセットにおいて平均Dice類似係数（DSC）87.55を達成し、以前の最先端技術を上回った。
• 軸方向視点のセグメンテーションではDSCが85.29を示し、アダプティブROIと残差学習による改善効果が確認された。
• コンセンサスモジュールが顕著に最終セグメンテーションを向上させ、DSCを軸方向の85.29から最終出力の87.55に向上させた。
• 初期の2次元ROIを超えて延長する結節の検出に成功し、アダプティブROIがスライスにわたって動的に調整され、結節の全範囲を捉えることができた。
• 可視化解析により、非付着性、微細、縁が不明瞭な結節など、困難な症例においても頑健な性能が確認された。
• 縁の形状、球形度、テクスチャなどの異なる結節特徴において一貫した性能を示したため、多様な結節形態にわたる一般化性能が優れていた。