[论文解读] RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy

Abraham George Smith, Jens Petersen+6 more|arXiv (Cornell University)|Jun 22, 2021

Advanced Radiotherapy Techniques参考文献 54被引用 16

一句话总结

RootPainter3D 是一种交互式机器学习系统，使非专业临床医生能够通过纠正注释在 3D CT 扫描中快速且准确地勾画危及器官。通过利用医生反馈对 3D U-Net 模型进行迭代优化，该系统实现了 0.95 的 Dice 分数，并将心脏勾画时间从人工方法的 7:01 分钟减少到 923 次注释后的 2:02 分钟，显著节省了时间且未牺牲准确性。

ABSTRACT

Organ-at-risk contouring is still a bottleneck in radiotherapy, with many deep learning methods falling short of promised results when evaluated on clinical data. We investigate the accuracy and time-savings resulting from the use of an interactive-machine-learning method for an organ-at-risk contouring task. We compare the method to the Eclipse contouring software and find strong agreement with manual delineations, with a dice score of 0.95. The annotations created using corrective-annotation also take less time to create as more images are annotated, resulting in substantial time savings compared to manual methods, with hearts that take 2 minutes and 2 seconds to delineate on average, after 923 images have been delineated, compared to 7 minutes and 1 seconds when delineating manually. Our experiment demonstrates that interactive-machine-learning with corrective-annotation provides a fast and accessible way for non computer-scientists to train deep-learning models to segment their own structures of interest as part of routine clinical workflows. Source code is available at \href{https://github.com/Abe404/RootPainter3D}{this HTTPS URL}.

研究动机与目标

• 解决放疗中耗时且结果不一致的人工勾画所造成的瓶颈问题。
• 评估交互式机器学习结合纠正注释是否能达到与人工勾画相当的准确性。
• 研究随着注释量的增加，勾画时间是否持续减少。
• 使非计算机科学家能够为临床分割任务训练深度学习模型。
• 展示在真实患者 CT 数据中使用真实临床工作流程实现持续学习的可行性。

提出的方法

• 该系统采用带有组归一化和残差连接的 3D U-Net 架构，专为 3D CT 图像分割而设计。
• 采用客户端-服务器架构，利用随机梯度下降在用户纠正的注释上实现实时模型再训练。
• 通过图形化界面应用纠正注释，用户通过定义边界框并在稀疏区域（前景/背景）中纠正模型预测。
• 仅使用用户标注的区域进行损失计算，从而实现在稀疏注释上的高效训练。
• 在每次注释后使用包含四个已纠正图像的批次对模型进行再训练，且未应用数据增强。
• 该界面支持在冠状面和矢状面中的 3D 导航，并支持可调节的窗宽/窗位设置以实现最佳可视化。

实验结果

研究问题

• RQ1 交互式机器学习结合纠正注释是否能达到与人工勾画相当的勾画准确性？
• RQ2 随着更多图像被注释，勾画所需时间是否持续减少？
• RQ3 非专业临床医生能否有效利用该系统训练深度学习模型进行器官分割？
• RQ4 随着纠正注释数量的增加，模型性能如何随时间演变？
• RQ5 稀疏的人工引导注释对模型泛化能力和推理质量有何影响？

主要发现

• 与人工勾画相比，RootPainter3D 系统的平均 Dice 分数达到 0.95，表明与金标准轮廓具有高度一致性。
• 在 923 张图像被注释后，平均心脏勾画时间减少至 2 分 2 秒，相比人工勾画所需的 7 分 1 秒，效率提升了 3.5 倍。
• 在初始训练阶段之后，933 张扫描图像中绝大多数的 Dice 分数保持在 0.9 以上，仅有少数异常值（Dice 分数分别为 0.67 和 0.68），原因是肿瘤靠近心脏。
• 随着更多图像被注释，预测轮廓与纠正轮廓之间的平均绝对剂量差从 0.3 Gray 降低至 0.12 Gray，表明剂量学准确性随时间持续提升。
• 系统表现出随着注释量增加而性能持续提升的稳定趋势，运行平均 Dice 分数整体呈上升趋势。
• 异常值主要由紧邻心脏的肿瘤引起，突显了即使在纠正注释下，复杂解剖结构仍具挑战性。