CNN-based fully automatic wrist cartilage volume quantification in MR Image

要約

軟骨喪失の検出は、骨関節炎および関節リウマチの診断に不可欠です。
大きな関節の磁気共鳴画像における軟骨評価のために、これまでに多数の自動セグメンテーションツールが報告されてきた。
膝や股関節と比較して、手首の軟骨は​​より複雑な構造を持っているため、大きな関節用に開発された自動ツールは、手首の軟骨のセグメンテーションでは機能しないと予想されます。
その点で、完全自動の手首軟骨セグメンテーション法は、臨床的に非常に興味深いものになるでしょう。
U-Netアーキテクチャの4つの最適化されたバリアントのパフォーマンスを評価し、その深さを切り捨て、アテンションレイヤー（U-Net_AL）を追加しました。
対応する結果を、以前に設計したパッチベースの畳み込みニューラルネットワーク（CNN）の結果と比較しました。
セグメンテーションの品質は、いくつかの形態学的（2D DSC、3D DSC、精度）および体積測定基準を使用した手動セグメンテーションとの比較分析に基づいて評価されました。
4つのネットワークは、セグメンテーションの均一性と品質の点でパッチベースのCNNを上回りました。
U-Net_AL（0.817）で計算された3D DSC値の中央値は、他のネットワークで計算された対応するDSC値よりも大幅に大きかった。
さらに、U-Net_AL CNNは、グラウンドトゥルースに関して最小の平均ボリュームエラー（17％）と最大のピアソン相関係数（0.765）を提供しました。
興味深いことに、U-Net_ALを使用して計算された再現性は、手動セグメンテーションの再現性よりも大きかった。
追加の注意層を備えたU-net畳み込みニューラルネットワークは、最高の手首軟骨セグメンテーションパフォーマンスを提供します。
臨床状態で使用するために、訓練されたネットワークは、特定の患者のグループを表すデータセットで微調整することができます。
軟骨量測定の誤差は、非MRI法を使用して個別に評価する必要があります。

要約(オリジナル)

Detection of cartilage loss is crucial for the diagnosis of osteo- and rheumatoid arthritis. A large number of automatic segmentation tools have been reported so far for cartilage assessment in magnetic resonance images of large joints. As compared to knee or hip, wrist cartilage has a more complex structure so that automatic tools developed for large joints are not expected to be operational for wrist cartilage segmentation. In that respect, a fully automatic wrist cartilage segmentation method would be of high clinical interest. We assessed the performance of four optimized variants of the U-Net architecture with truncation of its depth and addition of attention layers (U-Net_AL). The corresponding results were compared to those from a patch-based convolutional neural network (CNN) we previously designed. The segmentation quality was assessed on the basis of a comparative analysis with manual segmentation using several morphological (2D DSC, 3D DSC, precision) and a volumetric metrics. The four networks outperformed the patch-based CNN in terms of segmentation homogeneity and quality. The median 3D DSC value computed with the U-Net_AL (0.817) was significantly larger than the corresponding DSC values computed with the other networks. In addition, the U-Net_AL CNN provided the lowest mean volume error (17%) and the highest Pearson correlation coefficient (0.765) with respect to the ground truth. Of interest, the reproducibility computed from using U-Net_AL was larger than the reproducibility of the manual segmentation. U-net convolutional neural network with additional attention layers provides the best wrist cartilage segmentation performance. In order to be used in clinical conditions, the trained network can be fine-tuned on a dataset representing a group of specific patients. The error of cartilage volume measurement should be assessed independently using a non-MRI method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google