[论文解读] Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning

Andréanne Lemay, Charley Gros+5 more|arXiv (Cornell University)|Dec 23, 2020

Medical Imaging and Analysis参考文献 26被引用 4

一句话总结

本文提出首个完全自动化的深度学习框架，用于使用级联U-Net架构在MRI中对脊髓肿瘤、水肿和囊腔进行多类别分割。该方法首先定位脊髓以裁剪感兴趣区域，从而减少类别不平衡并提高分割精度，所有三种类别的Dice分数达到76.7 ± 1.5%，仅肿瘤类别的Dice分数为61.8 ± 4.0%。

ABSTRACT

Spinal cord tumors lead to neurological morbidity and mortality. Being able to obtain morphometric quantification (size, location, growth rate) of the tumor, edema, and cavity can result in improved monitoring and treatment planning. Such quantification requires the segmentation of these structures into three separate classes. However, manual segmentation of 3-dimensional structures is time-consuming and tedious, motivating the development of automated methods. Here, we tailor a model adapted to the spinal cord tumor segmentation task. Data were obtained from 343 patients using gadolinium-enhanced T1-weighted and T2-weighted MRI scans with cervical, thoracic, and/or lumbar coverage. The dataset includes the three most common intramedullary spinal cord tumor types: astrocytomas, ependymomas, and hemangioblastomas. The proposed approach is a cascaded architecture with U-Net-based models that segments tumors in a two-stage process: locate and label. The model first finds the spinal cord and generates bounding box coordinates. The images are cropped according to this output, leading to a reduced field of view, which mitigates class imbalance. The tumor is then segmented. The segmentation of the tumor, cavity, and edema (as a single class) reached 76.7 $\pm$ 1.5% of Dice score and the segmentation of tumors alone reached 61.8 $\pm$ 4.0% Dice score. The true positive detection rate was above 87% for tumor, edema, and cavity. To the best of our knowledge, this is the first fully automatic deep learning model for spinal cord tumor segmentation. The multiclass segmentation pipeline is available in the Spinal Cord Toolbox (https://spinalcordtoolbox.com/). It can be run with custom data on a regular computer within seconds.

研究动机与目标

• 解决在3D MRI扫描中对脊髓肿瘤、水肿和囊腔进行手动分割耗时且主观的问题。
• 开发一种自动、稳健且高效的深度学习解决方案，用于对三种最常见的脊髓内肿瘤类型（星形细胞瘤、室管膜瘤和血管母细胞瘤）进行多类别分割。
• 通过初始脊髓定位来缩小视野，减轻脊髓肿瘤分割中的类别不平衡问题。
• 实现对肿瘤大小、位置和生长速率的精确形态计量学量化，以改善治疗规划和监测。
• 发布一个用户友好、计算轻量的处理流程，兼容标准硬件，适用于临床和科研用途。

提出的方法

• 采用级联深度学习架构，包含两个阶段：脊髓定位和多类别肿瘤分割。
• 第一阶段使用基于U-Net的模型检测脊髓，并生成用于裁剪感兴趣区域的边界框坐标。
• 基于检测到的脊髓裁剪MRI体积，可缩小视野，降低计算负载并缓解类别不平衡。
• 第二阶段应用基于U-Net的模型，使用T1加权和T2加权钆增强MRI扫描对三种类别（肿瘤、水肿（合并为一类）和囊腔）进行分割。
• 模型在包含343名患者的队列上进行端到端训练，覆盖颈椎、胸椎和/或腰椎脊髓区域。
• 该流程已集成至脊髓工具箱（Spinal Cord Toolbox）中，可在标准计算机上于数秒内处理新数据。

实验结果

研究问题

• RQ1 与现有方法相比，级联深度学习方法是否能提升MRI中脊髓肿瘤、水肿和囊腔的多类别分割精度？
• RQ2 脊髓定位和感兴趣区域裁剪在多大程度上减轻了类别不平衡并提升了分割性能？
• RQ3 完全自动化的模型是否能在多样化的患者扫描中对所有三类目标结构（肿瘤、水肿、囊腔）实现高敏感性和Dice分数？
• RQ4 所提出的方法是否计算高效，并可在无需高端GPU的普通硬件上部署？
• RQ5 该模型在检测三种最常见的脊髓内肿瘤类型（星形细胞瘤、室管膜瘤和血管母细胞瘤）中的肿瘤、水肿和囊腔方面表现如何？

主要发现

• 肿瘤、水肿和囊腔的多类别分割Dice分数达到76.7 ± 1.5%，表明与人工分割具有高度重叠。
• 仅肿瘤类别的分割Dice分数达到61.8 ± 4.0%，尽管存在类别不平衡，仍表现出稳健性能。
• 所有三类结构（肿瘤、水肿、囊腔）的真正例检测率均超过87%，证实具有高敏感性。
• 模型的级联设计通过缩小视野和减轻类别不平衡，显著提升了分割性能。
• 整个处理流程计算高效，可在标准计算机上于数秒内处理新MRI数据。
• 据作者所知，这是首个完全自动化的深度学习模型，用于MRI中脊髓肿瘤的多类别分割。