CT-based Anatomical Segmentation for Thoracic Surgical Planning: A Benchmark Study for 3D U-shaped Deep Learning Models

要約

近年、患者固有の胸部外科手術計画やシミュレーションに対する関心が高まっており、自動医用画像セグメンテーションアルゴリズムからデジタル解剖学モデルを効率的かつ頑健に作成することが求められている。ディープラーニング(DL)は、現在、様々な放射線学的タスクにおいて最先端の技術であり、U字型DLモデルは、2D UNetの登場以来、医療画像セグメンテーションにおいて特に優れている。現在までに、様々な注意メカニズムやネットワーク構成の統合により、多くのU字型モデルのバリエーションが提案されている。近年の大規模なマルチラベルデータベースの発達を活用し、これらのモデルの系統的なベンチマーク研究を行うことで、臨床への展開や将来のモデル設計のための貴重な知見を得ることができるが、そのような研究はまだ少ない。我々は、胸部外科手術のためのCTベースの解剖学的セグメンテーションに焦点を当てて、3D U字型モデルのバリエーション（3DUNet、STUNet、AttentionUNet、SwinUNETR、FocalSegNet、および4つのバリエーションを持つ新しい3D SwinUnet）に対する最初のベンチマーク研究を実施する。本研究では、異なる注意メカニズム、分解能ステージ数、ネットワーク構成がセグメンテーション精度と計算複雑性に与える影響を系統的に検証する。他の最近のベンチマーク研究と相互参照できるように、BTCV腹部構造セグメンテーションの性能評価も行った。STUNetのランキングがトップであったことから、我々の研究は、調査したタスクに対するCNNベースのU字モデルの価値と、セグメンテーション性能を高めるためのネットワーク構成設計における残差ブロックの利点を実証した。

要約(オリジナル)

Recent rising interests in patient-specific thoracic surgical planning and simulation require efficient and robust creation of digital anatomical models from automatic medical image segmentation algorithms. Deep learning (DL) is now state-of-the-art in various radiological tasks, and U-shaped DL models have particularly excelled in medical image segmentation since the inception of the 2D UNet. To date, many variants of U-shaped models have been proposed by the integration of different attention mechanisms and network configurations. Leveraging the recent development of large multi-label databases, systematic benchmark studies for these models can provide valuable insights for clinical deployment and future model designs, but such studies are still rare. We conduct the first benchmark study for variants of 3D U-shaped models (3DUNet, STUNet, AttentionUNet, SwinUNETR, FocalSegNet, and a novel 3D SwinUnet with four variants) with a focus on CT-based anatomical segmentation for thoracic surgery. Our study systematically examines the impact of different attention mechanisms, number of resolution stages, and network configurations on segmentation accuracy and computational complexity. To allow cross-reference with other recent benchmarking studies, we also included a performance assessment of the BTCV abdominal structural segmentation. With the STUNet ranking at the top, our study demonstrated the value of CNN-based U-shaped models for the investigated tasks and the benefit of residual blocks in network configuration designs to boost segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL