[论文解读] Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines

Alexander Jaus, Constantin Seibold+6 more|arXiv (Cornell University)|Jul 25, 2023

Medical Imaging and AnalysisEngineering被引用 3

一句话总结

本文提出了一种新颖的、无需专家参与的方法，用于生成一个全面的全身影像CT分割数据集（DAP Atlas），包含533个体积中的142个解剖结构标签，通过从碎片化来源聚合知识并利用解剖学规则引导的nnU-Net伪标签方法实现。该方法在不使用BTCV训练数据的情况下，于BTCV上实现了85%的Dice分数，展现出高质量的分割性能，证明了在极少人工标注的前提下，可扩展、自动化且可靠的大型医学数据集创建的可行性。

ABSTRACT

In this study, we present a method for generating automated anatomy segmentation datasets using a sequential process that involves nnU-Net-based pseudo-labeling and anatomy-guided pseudo-label refinement. By combining various fragmented knowledge bases, we generate a dataset of whole-body CT scans with $142$ voxel-level labels for 533 volumes providing comprehensive anatomical coverage which experts have approved. Our proposed procedure does not rely on manual annotation during the label aggregation stage. We examine its plausibility and usefulness using three complementary checks: Human expert evaluation which approved the dataset, a Deep Learning usefulness benchmark on the BTCV dataset in which we achieve 85% dice score without using its training dataset, and medical validity checks. This evaluation procedure combines scalable automated checks with labor-intensive high-quality expert checks. Besides the dataset, we release our trained unified anatomical segmentation model capable of predicting $142$ anatomical structures on CT data.

研究动机与目标

• 为解决医学影像中缺乏整体性、全身影像解剖分割数据集的问题，特别是针对多结构、全身影像CT扫描。
• 克服在数百个体积的数百个解剖结构上进行人工体素级标注所带来的高昂成本与不可行性。
• 开发一种可扩展的自动化流程，利用碎片化知识库与医学引导的自训练方法，生成高质量、经专家验证的分割数据集。
• 通过创建统一、全面的数据集，支持跨器官与系统性分析，推动整体解剖分割模型的迁移学习。

提出的方法

• 从现有部分标注的数据集与医学图谱中聚合碎片化知识，构建统一的解剖知识库。
• 应用基于nnU-Net的伪标签方法，在533个体积的全身影像CT上生成初始分割掩膜。
• 通过基于医学知识推导出的解剖学引导后处理规则，优化伪标签，提升空间与结构上的合理性。
• 通过混合评估策略验证数据集质量：在随机子集上进行人工专家评审，并在外部数据集（如BTCV）上进行自动化基准测试。
• 在DAP Atlas数据集上训练统一的分割模型（V1）与一个鲁棒变体（V2），以评估泛化能力与分布外性能。
• 以开放获取方式发布DAP Atlas数据集与训练好的模型，以促进可复现性与社区使用。

实验结果

研究问题

• RQ1 能否在不依赖放射科医生人工体素级标注的前提下，生成一个包含142个解剖结构标签的大规模全身影像CT分割数据集？
• RQ2 基于解剖学规则引导的知识聚合与自训练流程，在生成临床合理且准确的分割掩膜方面效果如何？
• RQ3 在未使用其训练数据的情况下，基于DAP Atlas数据集训练的模型在分布外任务（如BTCV数据集）上的泛化能力达到何种程度？
• RQ4 结合自动化质量检查与代表性子集的专家验证，能否可靠地确保大规模、复杂医学分割数据集的整体质量？
• RQ5 所提出的方法是否能够实现整体解剖分割模型的构建，使其在基准任务上的表现优于标准训练协议？

主要发现

• DAP Atlas数据集包含533个体积的全身影像CT，涵盖142个密集解剖结构标签，覆盖几乎所有主要人体结构，且已通过医学专家审批。
• 所提出的自动化流程在不使用BTCV训练数据的情况下，于BTCV基准测试中实现了85%的Dice分数，展现出强大的泛化能力与模型鲁棒性。
• 专家评审确认了数据集在解剖学上的合理性与一致性，尤其在随机抽样子集上表现良好，支持自动化生成流程的整体可靠性。
• 鲁棒模型变体（V2）在分布外分割任务上的表现优于标准nnU-Net训练，表明其具备更强的泛化能力。
• 数据集与训练好的模型已公开发布，可支持未来在整体解剖分割与多模态成像应用方面的研究。
• 混合评估策略——结合自动化检查与针对性专家评审——在无法进行全量体素级检查的大规模数据集验证中，被证明是有效的。