Generalizability of Deep Adult Lung Segmentation Models to the Pediatric Population: A Retrospective Study

要約

胸部X線（CXR）における肺のセグメンテーションは、臨床判断支援システムにおける心肺疾患の診断の特異性を向上させるための重要な前提条件である。肺のセグメンテーションのための現在の深層学習（DL）モデルは、主に成人集団から撮影されたX線画像投影を持つCXRデータセットで学習・評価されています。しかし、小児科では、乳児期から成人期までの発達段階において、肺の形状が大きく異なることが報告されています。このため、成人集団で学習したモデルを小児肺のセグメンテーションに適用した場合、年齢によるデータ領域の移動が生じ、肺のセグメンテーション性能に悪影響を与える可能性がある。本研究では、成人の深部肺セグメンテーションモデルの小児集団への汎化性を分析し、CXRモダリティ固有の重み初期化、積層汎化、積層汎化モデルのアンサンブルからなる系統的な組み合わせアプローチにより、性能向上を図ることを目標とする。セグメンテーションの性能を評価するために、マルチスケール構造類似度指標測定、ユニオンの交点、ダイス指標に加えて、平均肺活量距離と平均ハッシュスコアからなる新たな評価指標を提案した。その結果、我々の組み合わせアプローチにより、領域横断的な汎化において有意な改善（p<0.05）が観察された。本研究は、他の医療画像モダリティやアプリケーションにおけるディープセグメンテーションモデルのクロスドメイン汎化性を分析するためのパラダイムとして機能する可能性がある。

要約(オリジナル)

Lung segmentation in chest X-rays (CXRs) is an important prerequisite for improving the specificity of diagnoses of cardiopulmonary diseases in a clinical decision support system. Current deep learning (DL) models for lung segmentation are trained and evaluated on CXR datasets in which the radiographic projections are captured predominantly from the adult population. However, the shape of the lungs is reported to be significantly different for pediatrics across the developmental stages from infancy to adulthood. This might result in age-related data domain shifts that would adversely impact lung segmentation performance when the models trained on the adult population are deployed for pediatric lung segmentation. In this work, our goal is to analyze the generalizability of deep adult lung segmentation models to the pediatric population and improve performance through a systematic combinatorial approach consisting of CXR modality-specific weight initializations, stacked generalization, and an ensemble of the stacked generalization models. Novel evaluation metrics consisting of Mean Lung Contour Distance and Average Hash Score are proposed in addition to the Multi-scale Structural Similarity Index Measure, Intersection of Union, and Dice metrics to evaluate segmentation performance. We observed a significant improvement (p < 0.05) in cross-domain generalization through our combinatorial approach. This study could serve as a paradigm to analyze the cross-domain generalizability of deep segmentation models for other medical imaging modalities and applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL