Automatic identification of segmentation errors for radiotherapy using geometric learning

要約

畳み込みニューラルネットワーク（CNN）を使用したCTスキャンでのリスクのある臓器（OAR）の自動セグメンテーションが、放射線治療ワークフローに導入されています。
ただし、これらのセグメンテーションでは、臨床使用前に臨床医による手動編集と承認が必要であり、時間がかかる可能性があります。
この作業の目的は、グラウンドトゥルースなしで3DOARセグメンテーションのエラーを自動的に識別するツールを開発することでした。
私たちのツールは、CNNとグラフニューラルネットワーク（GNN）を組み合わせた新しいアーキテクチャを使用して、セグメンテーションの外観と形状を活用します。
提案されたモデルは、耳下腺のセグメンテーションの合成的に生成されたデータセットを使用し、現実的な輪郭誤差を使用して、自己監視学習を使用してトレーニングされます。
私たちのモデルの有効性は、アブレーションテストで評価され、アーキテクチャのさまざまな部分の有効性と、教師なし口実タスクからの転移学習の使用が評価されます。
私たちの最高のパフォーマンスのモデルは、耳下腺のエラーを内部エラーと外部エラーでそれぞれ85.0％と89.7％の精度で予測し、66.5％と68.6％の再現率を示しました。
このオフラインQAツールはクリニカルパスで使用でき、注意が必要な領域を検出することで、臨床医が輪郭の修正に費やす時間を短縮できる可能性があります。
すべてのコードはhttps://github.com/rrr-uom-projects/contour_auto_QAToolで公開されています。

要約(オリジナル)

Automatic segmentation of organs-at-risk (OARs) in CT scans using convolutional neural networks (CNNs) is being introduced into the radiotherapy workflow. However, these segmentations still require manual editing and approval by clinicians prior to clinical use, which can be time consuming. The aim of this work was to develop a tool to automatically identify errors in 3D OAR segmentations without a ground truth. Our tool uses a novel architecture combining a CNN and graph neural network (GNN) to leverage the segmentation’s appearance and shape. The proposed model is trained using self-supervised learning using a synthetically-generated dataset of segmentations of the parotid and with realistic contouring errors. The effectiveness of our model is assessed with ablation tests, evaluating the efficacy of different portions of the architecture as well as the use of transfer learning from an unsupervised pretext task. Our best performing model predicted errors on the parotid gland with a precision of 85.0% & 89.7% for internal and external errors respectively, and recall of 66.5% & 68.6%. This offline QA tool could be used in the clinical pathway, potentially decreasing the time clinicians spend correcting contours by detecting regions which require their attention. All our code is publicly available at https://github.com/rrr-uom-projects/contour_auto_QATool.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google