A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI)

要約

背景：全身拡散加重MRI（WB-DWI）からの見かけの拡散係数（ADC）値と総拡散量（TDV）は、がんイメージングバイオマーカーが認識されています。
ただし、ADCおよびTDV測定の手動疾患の描写は、臨床診療では自動化を要求しています。
最初のステップとして、骨格、隣接する内臓（肝臓、脾臓、尿膀胱、腎臓）、および脊髄運河の高速で再現可能な確率マップを生成するアルゴリズムを提案します。
方法：WB-DWI上のこれらの解剖学的構造をローカライズし、描写する3Dパッチベースの残差U-NETアーキテクチャに基づいて、自動掘削パイプラインを開発しました。
このアルゴリズムは、計算集中的なアトラスベースのアプローチから派生した「ソフトラベル」（非バイナリセグメンテーション）を使用してトレーニングされました。
トレーニングと検証のために、45人の患者の検査で、進行前立腺がん（APC）または多発性骨髄腫（MM）の患者から532件のスキャンを含むマルチセンターWB-DWIデータセットを採用しました。
結果：監視されている深いディープラーニングモデルは、骨格描写で0.66/0.6/0.73、内臓の0.8/0.79/0.8​​1、脊髄運河の0.85/0.79/0.94の平均DICEスコア/精度/リコールを達成しました。
自動化されたエキスパートとマニュアル定義の全身描写の間の相対的な中央値ADCと対数変換の体積の違いは、それぞれ10％と4％未満でした。
確率マップを生成するための計算時間は、Atlasベースの登録アルゴリズムよりも12倍高速でした（25秒対5分）。
経験豊富な放射線科医は、テストデータセットでモデルの精度を「良い」または「優れた」と評価しました。
結論：私たちのモデルは、WB-DWIのボディ領域を局在化および描写するための高速で再現性のある確率マップを提供し、ADCとTDVの定量化を可能にし、疾患の病期分類および治療反応評価の臨床医をサポートする可能性があります。

要約(オリジナル)

Background: Apparent Diffusion Coefficient (ADC) values and Total Diffusion Volume (TDV) from Whole-body diffusion-weighted MRI (WB-DWI) are recognized cancer imaging biomarkers. However, manual disease delineation for ADC and TDV measurements is unfeasible in clinical practice, demanding automation. As a first step, we propose an algorithm to generate fast and reproducible probability maps of the skeleton, adjacent internal organs (liver, spleen, urinary bladder, and kidneys), and spinal canal. Methods: We developed an automated deep-learning pipeline based on a 3D patch-based Residual U-Net architecture that localizes and delineates these anatomical structures on WB-DWI. The algorithm was trained using ‘soft-labels’ (non-binary segmentations) derived from a computationally intensive atlas-based approach. For training and validation, we employed a multi-center WB-DWI dataset comprising 532 scans from patients with Advanced Prostate Cancer (APC) or Multiple Myeloma (MM), with testing on 45 patients. Results: Our weakly-supervised deep learning model achieved an average dice score/precision/recall of 0.66/0.6/0.73 for skeletal delineations, 0.8/0.79/0.81 for internal organs, and 0.85/0.79/0.94 for spinal canal, with surface distances consistently below 3 mm. Relative median ADC and log-transformed volume differences between automated and manual expert-defined full-body delineations were below 10% and 4%, respectively. The computational time for generating probability maps was 12x faster than the atlas-based registration algorithm (25 s vs. 5 min). An experienced radiologist rated the model’s accuracy ‘good’ or ‘excellent’ on test datasets. Conclusion: Our model offers fast and reproducible probability maps for localizing and delineating body regions on WB-DWI, enabling ADC and TDV quantification, potentially supporting clinicians in disease staging and treatment response assessment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google