U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays

要約

目的: U-Net によって生成された肺厚マップを使用して、実際および合成の正面 X 線 X 線写真からピクセル レベルで総肺容積 (TLV) を推定することを目的としました。
方法：5,959 件の胸部 X 線コンピューター断層撮影 (CT) スキャンが、2016 年の肺結節解析 (n=656) と 2020 年の RSNA 肺塞栓症検出チャレンジ (n=5,303) の 2 つの公的に利用可能なデータセットから検索されました。
さらに、72 人の被験者からの胸部 CT スキャン（健康な被験者 33 人：男性 20 人、平均年齢 [範囲] = 62.4 [34, 80]、慢性閉塞性肺疾患を患う被験者 39 人：男性 25 人、平均年齢 [範囲] = 69.0 [47, 91]）
]) は、各被験者について 7 日以内の正面胸部 X 線 X 線写真が利用できるように、社内データセットから遡及的に選択されました (2018 年 10 月から 2019 年 12 月)。
すべての CT スキャンとそれに対応する肺のセグメンテーションは、模擬 X 線スペクトルを使用して前方投影され、それぞれ合成 X 線写真と肺の厚さマップが生成されました。
U-Net モデルは、公開データセットからの合成 X 線写真でトレーニングおよびテストされ、肺の厚さマップを予測し、その結果として TLV を推定しました。
モデルのパフォーマンスは、ピアソン相関係数 (r) と有意性検定を使用して社内合成放射線写真と実際の X 線写真のペアの TLV 推定値を評価することによってさらに評価されました。
結果: 合成からのテスト データの予測されたグランド トゥルース TLV 値と CT から導出されたグランド トゥルース TLV 値の間に強い相関関係が測定されました ($n_{Public}$=1,191, r=0.987, P < 0.001; $n_{In-house}$=72) 、r=0.973、P < 0.001）および実際の X 線写真（n=72、r=0.908、P < 0.001）。 結論: U-Net で生成されたピクセルレベルの肺厚マップからの TLV は、合成 X 線写真と実際の X 線写真で正常に推定されました。

要約(オリジナル)

Purpose: We aimed to estimate the total lung volume (TLV) from real and synthetic frontal X-ray radiographs on a pixel level using lung thickness maps generated by a U-Net. Methods: 5,959 thorax X-ray computed tomography (CT) scans were retrieved from two publicly available datasets of the lung nodule analysis 2016 (n=656) and the RSNA pulmonary embolism detection challenge 2020 (n=5,303). Additionally, thorax CT scans from 72 subjects (33 healthy: 20 men, mean age [range] = 62.4 [34, 80]; 39 suffering from chronic obstructive pulmonary disease: 25 men, mean age [range] = 69.0 [47, 91]) were retrospectively selected (10.2018-12.2019) from our in-house dataset such that for each subject, a frontal chest X-ray radiograph no older than seven days was available. All CT scans and their corresponding lung segmentation were forward projected using a simulated X-ray spectrum to generate synthetic radiographs and lung thickness maps, respectively. A U-Net model was trained and tested on synthetic radiographs from the public datasets to predict lung thickness maps and consequently estimate TLV. Model performance was further assessed by evaluating the TLV estimations for the in-house synthetic and real radiograph pairs using Pearson correlation coefficient (r) and significance testing. Results: Strong correlations were measured between the predicted and CT-derived ground truth TLV values for test data from synthetic ($n_{Public}$=1,191, r=0.987, P < 0.001; $n_{In-house}$=72, r=0.973, P < 0.001) and real radiographs (n=72, r=0.908, P < 0.001). Conclusion: TLV from U-Net-generated pixel-level lung thickness maps were successfully estimated for synthetic and real radiographs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google