ISA-Net: Improved spatial attention network for PET-CT tumor segmentation

要約

正確で自動化された腫瘍のセグメンテーションを達成することは、臨床とラジオミクス研究の両方において重要な役割を果たす。現在、医療におけるセグメンテーションは、専門家が手作業で行うことが多く、手間と費用がかかり、エラーが起こりやすい作業である。手動アノテーションは、これらの専門家の経験や知識に大きく依存している。さらに、観察者内外のばらつきも大きい。そのため、腫瘍の標的領域を自動的にセグメンテーションできる手法を開発することは大きな意義がある。本論文では、PETの高感度とCTの正確な解剖学的情報を組み合わせたマルチモーダルポジトロンCT（PET-CT）に基づく深層学習セグメンテーション手法を提案する。このネットワークは、マルチスケール畳み込み演算を用いて特徴情報を抽出し、腫瘍領域の位置情報を強調し、非腫瘍領域の位置情報を抑制することができる。また、本ネットワークは符号化段階で2チャンネル入力を用い、復号化段階でそれらを融合することで、PETとCTの差異と補完性を利用することが可能である。提案するISA-Net法を2つの臨床データセット、軟部肉腫（STS）と頭頸部腫瘍（HECKTOR）データセットで検証し、腫瘍セグメンテーションのための他の注目手法と比較検討した。その結果，STSデータセットでは0.8378，HECKTORデータセットでは0.8076のDSCスコアが得られ，ISA-Net法がより優れたセグメンテーション性能と高い汎化性を達成することが示された．結論本論文で提案する手法は，マルチモーダル医用画像腫瘍セグメンテーションに基づくものであり，異なるモードの差異と相補性を効果的に利用することが可能である．また，本手法は，適切な調整により，他のマルチモーダルデータやシングルモーダルデータにも適用することが可能である．

要約(オリジナル)

Achieving accurate and automated tumor segmentation plays an important role in both clinical practice and radiomics research. Segmentation in medicine is now often performed manually by experts, which is a laborious, expensive and error-prone task. Manual annotation relies heavily on the experience and knowledge of these experts. In addition, there is much intra- and interobserver variation. Therefore, it is of great significance to develop a method that can automatically segment tumor target regions. In this paper, we propose a deep learning segmentation method based on multimodal positron emission tomography-computed tomography (PET-CT), which combines the high sensitivity of PET and the precise anatomical information of CT. We design an improved spatial attention network(ISA-Net) to increase the accuracy of PET or CT in detecting tumors, which uses multi-scale convolution operation to extract feature information and can highlight the tumor region location information and suppress the non-tumor region location information. In addition, our network uses dual-channel inputs in the coding stage and fuses them in the decoding stage, which can take advantage of the differences and complementarities between PET and CT. We validated the proposed ISA-Net method on two clinical datasets, a soft tissue sarcoma(STS) and a head and neck tumor(HECKTOR) dataset, and compared with other attention methods for tumor segmentation. The DSC score of 0.8378 on STS dataset and 0.8076 on HECKTOR dataset show that ISA-Net method achieves better segmentation performance and has better generalization. Conclusions: The method proposed in this paper is based on multi-modal medical image tumor segmentation, which can effectively utilize the difference and complementarity of different modes. The method can also be applied to other multi-modal data or single-modal data by proper adjustment.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL