Anatomy-Informed Deep Learning and Radiomics for Automated Neurofibroma Segmentation in Whole-Body MRI

要約

神経線維腫症1型は、神経線維腫（NFS）の発症を特徴とする遺伝的障害であり、サイズ、形態、および解剖学的位置に有意なばらつきを示します。
腫瘍の負担を評価し、疾患の進行を監視するには、全身磁気共鳴画像法（WB-MRI）におけるこれらの腫瘍の正確で自動化されたセグメンテーションが重要です。
この研究では、解剖学のセグメンテーション、NFセグメンテーション、および腫瘍候補分類の3つの段階で構成される脂肪抑制T2強調WB-MRIのNFセグメンテーションのための完全に自動化されたパイプラインを提示して分析します。
最初の段階では、MrSegmentatorモデルを使用して、NFS用のリスクの高いゾーンで拡張された解剖学セグメンテーションマスクを生成します。
このマスクは、NFセグメンテーションの解剖学的コンテキスト情報として入力画像と連結されています。
第2段階では、3D異方性解剖学に基づいたUネットのアンサンブルを採用して、NFセグメンテーションの信頼マスクを生成します。
最終段階では、腫瘍候補は信頼マスクから抽出され、放射性の特徴に基づいて分類され、腫瘍を非腫瘍領域から区別し、誤検知を減らします。
さまざまな条件を表す3つのテストセットで提案されたパイプラインを評価します：ドメイン内データ（テストセット1）、さまざまなイメージングプロトコルとフィールド強度（テストセット2）、および低腫瘍負荷症例（テストセット3）。
実験結果は、解剖学的情報を統合することにより、高腫瘍負荷症例における腫瘍検出のF1スコアが21％増加し、腫瘍ごとのDSCが21％増加し、F1スコアが2倍に改善されたことを実験結果が示しています。
この方法は、実用的な臨床使用のために3D Slicerプラットフォームに統合され、コードに公開されています。

要約(オリジナル)

Neurofibromatosis Type 1 is a genetic disorder characterized by the development of neurofibromas (NFs), which exhibit significant variability in size, morphology, and anatomical location. Accurate and automated segmentation of these tumors in whole-body magnetic resonance imaging (WB-MRI) is crucial to assess tumor burden and monitor disease progression. In this study, we present and analyze a fully automated pipeline for NF segmentation in fat-suppressed T2-weighted WB-MRI, consisting of three stages: anatomy segmentation, NF segmentation, and tumor candidate classification. In the first stage, we use the MRSegmentator model to generate an anatomy segmentation mask, extended with a high-risk zone for NFs. This mask is concatenated with the input image as anatomical context information for NF segmentation. The second stage employs an ensemble of 3D anisotropic anatomy-informed U-Nets to produce an NF segmentation confidence mask. In the final stage, tumor candidates are extracted from the confidence mask and classified based on radiomic features, distinguishing tumors from non-tumor regions and reducing false positives. We evaluate the proposed pipeline on three test sets representing different conditions: in-domain data (test set 1), varying imaging protocols and field strength (test set 2), and low tumor burden cases (test set 3). Experimental results show a 68% improvement in per-scan Dice Similarity Coefficient (DSC), a 21% increase in per-tumor DSC, and a two-fold improvement in F1 score for tumor detection in high tumor burden cases by integrating anatomy information. The method is integrated into the 3D Slicer platform for practical clinical use, with the code publicly accessible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google