Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI using Deep Learning

要約

セグメンテーションは、形態学的、体積測定、およびラジオミクスのバイオマーカーを取得するために医療画像処理において重要です。
手動セグメンテーションは正確ですが、放射線科医の臨床ワークフローでは実現できません。一方、自動セグメンテーションでは一般に標準以下のパフォーマンスが得られます。
そこで私たちは、CT および MRI 上の軟部組織腫瘍 (STT) に対する最小限のインタラクティブな深層学習ベースのセグメンテーション手法を開発しました。
この方法では、ユーザーは腫瘍の境界付近の 6 つの点をクリックする必要があります。
これら 6 つの点は距離マップに変換され、画像とともに畳み込みニューラル ネットワークへの入力として機能します。
トレーニングと検証には、514 人の患者と 7 つの解剖学的位置における 9 つの STT タイプを含む多施設データセットが使用され、その結果、ダイス類似係数 (DSC) は 0.85$\pm$0.11 (平均 $\pm$ 標準偏差 (SD)) となりました。
専門の放射線科医による手動セグメンテーションと比較した場合、CT および T1 強調 MRI は 0.84$\pm$0.12 です。
次に、四肢における 5 つの未確認の STT 表現型を含むデータセットでこの方法を外部検証し、CT で 0.81$\pm$0.08、T1 強調 MRI で 0.84$\pm$0.09、これまでに見られなかった T2 強調 MRI で 0.88\pm0.08 を達成しました。
脂肪飽和（FS）MRI。
結論として、私たちの最小限のインタラクティブなセグメンテーション手法は、これまで見たことのない表現型や画像モダリティへの強力な一般化により、CT および MRI 上のさまざまなタイプの STT を効果的にセグメント化します。

要約(オリジナル)

Segmentations are crucial in medical imaging to obtain morphological, volumetric, and radiomics biomarkers. Manual segmentation is accurate but not feasible in the radiologist’s clinical workflow, while automatic segmentation generally obtains sub-par performance. We therefore developed a minimally interactive deep learning-based segmentation method for soft-tissue tumors (STTs) on CT and MRI. The method requires the user to click six points near the tumor’s extreme boundaries. These six points are transformed into a distance map and serve, with the image, as input for a Convolutional Neural Network. For training and validation, a multicenter dataset containing 514 patients and nine STT types in seven anatomical locations was used, resulting in a Dice Similarity Coefficient (DSC) of 0.85$\pm$0.11 (mean $\pm$ standard deviation (SD)) for CT and 0.84$\pm$0.12 for T1-weighted MRI, when compared to manual segmentations made by expert radiologists. Next, the method was externally validated on a dataset including five unseen STT phenotypes in extremities, achieving 0.81$\pm$0.08 for CT, 0.84$\pm$0.09 for T1-weighted MRI, and 0.88\pm0.08 for previously unseen T2-weighted fat-saturated (FS) MRI. In conclusion, our minimally interactive segmentation method effectively segments different types of STTs on CT and MRI, with robust generalization to previously unseen phenotypes and imaging modalities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google