VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray

要約

脊椎のX線画像を解析するためには、信頼性の高い椎骨のアノテーションが重要である。しかし、脊椎骨のアノテーションは、その複雑さ（形状が変化する小さな構造）から、通常、手作業で行われ、コストと手間のかかる作業である。このプロセスを高速化するために、我々は2つの最新セグメンテーションモデル（それぞれU-NetとMask R-CNN）を組み合わせたアンサンブルパイプラインVertXNetを提案し、X線脊髄画像中の椎骨を自動的にセグメントし、ラベルを付けることを試みる。さらに、VertXNetはルールベースのアプローチを導入しており、与えられた脊椎X線画像に対して、（他よりもセグメントしやすい「基準」椎骨を見つけることによって）椎骨のラベルを頑健に推測することができる。我々は提案するパイプラインを3つの脊椎X線データセット（2つの内部データセットと1つの一般公開データセット）で評価し、放射線科医によって注釈された椎骨と比較した。その結果、提案するパイプラインはテストデータセット(MEASURE 1)において、Mask R-CNNの平均Diceが0.73、U-Netの平均Diceが0.72に対し、提案するパイプラインはSOTAセグメンテーションモデル2種の平均Diceを上回り、優位性を示すことが明らかとなった．VertXNetの汎化能力をさらに評価するために、事前学習されたパイプラインを2つの追加データセット（PREVENTとNHANES II）で直接テストしたところ、それぞれ平均Diceが0.89と0.88という一貫した性能が確認されました。全体として、VertXNetは脊椎X線画像における椎骨のセグメンテーションとラベリングの性能を大幅に改善し、社内臨床試験データと一般公開データの両方で評価した結果、その一般性がさらに証明されました。

要約(オリジナル)

Reliable vertebrae annotations are key to perform analysis of spinal X-ray images. However, obtaining annotation of vertebrae from those images is usually carried out manually due to its complexity (i.e. small structures with varying shape), making it a costly and tedious process. To accelerate this process, we proposed an ensemble pipeline, VertXNet, that combines two state-of-the-art (SOTA) segmentation models (respectively U-Net and Mask R-CNN) to automatically segment and label vertebrae in X-ray spinal images. Moreover, VertXNet introduces a rule-based approach that allows to robustly infer vertebrae labels (by locating the ‘reference’ vertebrae which are easier to segment than others) for a given spinal X-ray image. We evaluated the proposed pipeline on three spinal X-ray datasets (two internal and one publicly available), and compared against vertebrae annotated by radiologists. Our experimental results have shown that the proposed pipeline outperformed two SOTA segmentation models on our test dataset (MEASURE 1) with a mean Dice of 0.90, vs. a mean Dice of 0.73 for Mask R-CNN and 0.72 for U-Net. To further evaluate the generalization ability of VertXNet, the pre-trained pipeline was directly tested on two additional datasets (PREVENT and NHANES II) and consistent performance was observed with a mean Dice of 0.89 and 0.88, respectively. Overall, VertXNet demonstrated significantly improved performance for vertebra segmentation and labeling for spinal X-ray imaging, and evaluation on both in-house clinical trial data and publicly available data further proved its generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL