[论文解读] SegTHOR: Segmentation of Thoracic Organs at Risk in CT images

Zoé Lambert, Caroline Petitjean+2 more|arXiv (Cornell University)|Dec 12, 2019

Advanced Neural Network Applications参考文献 18被引用 10

一句话总结

本文介绍了SegTHOR，这是一个公开的胸部CT扫描数据集，包含60例扫描，对四种危及器官（心脏、气管、主动脉、食管）进行了人工勾画，用于放射治疗计划。采用简化U-Net架构结合Dropout和双线性上采样方法，研究在心脏分割上取得了0.93的Dice分数，在气管分割上取得了0.86的Dice分数；当仅在存在真实标注的切片上评估时，性能表现有显著提升，凸显了在分割小而低对比度器官（如食管）方面仍有改进空间。

ABSTRACT

In the era of open science, public datasets, along with common experimental protocol, help in the process of designing and validating data science algorithms; they also contribute to ease reproductibility and fair comparison between methods. Many datasets for image segmentation are available, each presenting its own challenges; however just a very few exist for radiotherapy planning. This paper is the presentation of a new dataset dedicated to the segmentation of organs at risk (OARs) in the thorax, i.e. the organs surrounding the tumour that must be preserved from irradiations during radiotherapy. This dataset is called SegTHOR (Segmentation of THoracic Organs at Risk). In this dataset, the OARs are the heart, the trachea, the aorta and the esophagus, which have varying spatial and appearance characteristics. The dataset includes 60 3D CT scans, divided into a training set of 40 and a test set of 20 patients, where the OARs have been contoured manually by an experienced radiotherapist. Along with the dataset, we present some baseline results, obtained using both the original, state-of-the-art architecture U-Net and a simplified version. We investigate different configurations of this baseline architecture that will serve as comparison for future studies on the SegTHOR dataset. Preliminary results show that room for improvement is left, especially for smallest organs.

研究动机与目标

• 为解决放射治疗中胸部危及器官（OARs）分割缺乏公开可用、标准化数据集的问题。
• 提供一个基准数据集，包含四个关键OAR（心脏、气管、主动脉、食管）的高质量人工勾画轮廓。
• 在SegTHOR数据集上，使用先进且简化的U-Net架构建立基线性能表现。
• 通过可复现的评估方式，实现医学图像分割研究在放射治疗应用中的公平比较。
• 识别在分割小而低对比度器官（如食管）方面面临的挑战，这些器官对精确剂量计划至关重要。

提出的方法

• SegTHOR数据集包含60例来自肺癌和霍奇金淋巴瘤患者的3D CT扫描，扫描切片数量在150至284之间，体素分辨率在0.90至1.37 mm（平面内）和2至3.7 mm（层厚）之间变化。
• 危及器官的人工勾画由经验丰富的放射肿瘤科医生使用SomaVision平台完成，轮廓依据临床指南进行定义。
• 基线模型采用简化U-Net（sU-Net）架构训练，结合Dropout正则化，并采用两种上采样策略：转置卷积和双线性插值。
• 通过Dice系数和平均 Hausdorff 距离（AHD）评估分割性能，比较在完整数据集和仅包含真实标注的子集上的结果。
• 在原始和受限切片范围上均进行评估，以分析在无真实标注区域中误标定的影响。
• 在Codalab平台上引入一种新型评估协议，支持两种评估模式：全切片模式和仅真实标注切片模式。

实验结果

研究问题

• RQ1 在SegTHOR数据集上，模型性能在全切片评估与仅在存在真实标注的切片上评估时有何差异？
• RQ2 架构简化与Dropout正则化对小而低对比度胸部OAR分割准确率有何影响？
• RQ3 在该分割任务中，哪种上采样方法——转置卷积还是双线性插值——表现更优且更具效率？
• RQ4 网络深度和特征图数量的选择在多大程度上影响泛化能力，尤其是在解剖结构变异度高的器官（如食管）上？
• RQ5 SegTHOR上的基线结果与当前最先进模型相比如何？在关键OAR上仍存在哪些性能差距？

主要发现

• 采用Dropout和双线性上采样的简化U-Net在完整数据集上对心脏的Dice分数为0.93 ± 0.03，对气管的Dice分数为0.86 ± 0.04。
• 对于食管，完整数据集上的Dice分数为0.81 ± 0.06，当仅在存在真实标注的切片上评估时提升至0.83 ± 0.06。
• 当仅限于真实标注切片时，气管的平均Hausdorff距离（AHD）从1.08 ± 0.85显著下降至0.15 ± 0.09，表明空间精度显著提高。
• 主动脉在完整数据集上的Dice分数为0.92 ± 0.02，AHD为0.52 ± 0.66；在受限数据集上分别提升至0.93 ± 0.02和0.19 ± 0.31。
• 双线性上采样在Dice分数和AHD指标上均优于转置卷积，且因计算成本更低而更受青睐。
• 研究发现，食管由于对比度低且解剖结构变异度高，仍是最具挑战性的结构，其分割准确率仍有显著提升空间。