[论文解读] Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks

Georg Hille, Johannes Steffen+4 more|arXiv (Cornell University)|Jan 8, 2020

Medical Imaging and Analysis被引用 6

一句话总结

本研究提出了一种基于U-Net的深度学习框架，用于在T1加权和T2加权MRI扫描中自动分割脊柱转移性病灶，平均Dice分数达到77.6%，与专家间读片变异水平相当，展示了在具有挑战性的低数据环境下对溶骨性和成骨性病灶类型均接近专家水平的准确性。

ABSTRACT

This study's objective was to segment spinal metastases in diagnostic MR images using a deep learning-based approach. Segmentation of such lesions can present a pivotal step towards enhanced therapy planning and validation, as well as intervention support during minimally invasive and image-guided surgeries like radiofrequency ablations. For this purpose, we used a U-Net like architecture trained with 40 clinical cases including both, lytic and sclerotic lesion types and various MR sequences. Our proposed method was evaluated with regards to various factors influencing the segmentation quality, e.g. the used MR sequences and the input dimension. We quantitatively assessed our experiments using Dice coefficients, sensitivity and specificity rates. Compared to expertly annotated lesion segmentations, the experiments yielded promising results with average Dice scores up to 77.6% and mean sensitivity rates up to 78.9%. To our best knowledge, our proposed study is one of the first to tackle this particular issue, which limits direct comparability with related works. In respect to similar deep learning-based lesion segmentations, e.g. in liver MR images or spinal CT images, our experiments showed similar or in some respects superior segmentation quality. Overall, our automatic approach can provide almost expert-like segmentation accuracy in this challenging and ambitious task.

研究动机与目标

• 解决MRI中脊柱转移灶自动分割方法缺乏的问题，这是图像引导介入治疗（如射频消融）的关键步骤。
• 克服T1加权和T2加权序列中病灶外观高度可变的挑战，包括溶骨性和成骨性类型。
• 评估在临床MRI环境中，输入模态（T1与T2）和输入维度对分割精度的影响。
• 尽管训练数据集仅包含40例病例，仍实现接近专家间读片变异水平的分割性能。

提出的方法

• 采用类似U-Net的卷积神经网络架构，对多对比MRI中的脊柱转移灶进行3D语义分割。
• 在40例临床病例上训练模型，病例中包含溶骨性和成骨性转移灶，以T1加权和T2加权序列为输入模态。
• 通过改变输入维度（如轴向切片、3D体素）和序列组合来评估模型的鲁棒性与性能权衡。
• 使用标准深度学习损失函数和数据增强技术优化网络，以提升在有限数据上的泛化能力。
• 采用Dice系数、敏感性和特异性作为主要评估指标，量化分割性能。
• 将结果与专家标注的读片变异水平进行对比，以评估其在临床中的相关性。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在MRI脊柱转移灶分割中达到与专家放射科医生相当的精度？
• RQ2 不同的MRI序列（T1加权与T2加权）如何影响脊柱转移灶的分割性能？
• RQ3 输入维度（如2D切片与3D体素）对脊柱转移灶分割质量有何影响？
• RQ4 与现有针对其他器官或成像模态的病变分割深度学习方法相比，本方法表现如何？

主要发现

• 在最佳配置下，所提方法的平均Dice分数达到77.6%，与专家间读片变异水平79.4%非常接近。
• 敏感性最高达78.9%，表明对多种形态的转移性病灶具有强大的检测能力。
• 与仅使用T2加权序列相比，引入T1加权图像显著提升了分割性能。
• 尽管训练数据集较小（40例，而部分先前研究为200例），模型性能仍与肝脏和脑部病灶分割的最先进深度学习方法相当。
• 结果的标准差（10.8%）高于专家间读片变异水平（6.2%），表明在个体病例间的鲁棒性仍有提升空间。
• 本研究是少数首次尝试在MRI中实现脊柱转移灶自动分割的工作之一，由于该领域尚无直接可比的先前研究，因此缺乏可比性。