3D PETCT Tumor Lesion Segmentation via GCN Refinement

要約

全身 PET/CT スキャンは、さまざまな悪性腫瘍 (悪性黒色腫、リンパ腫、肺がんなど) を診断するための重要なツールであり、腫瘍の正確なセグメンテーションはその後の治療の重要な部分です。
近年、CNN ベースのセグメンテーション手法が広く研究されています。
ただし、これらの方法では、過剰セグメンテーションや過少セグメンテーションなど、不正確なセグメンテーション結果が得られることがよくあります。
したがって、このような問題に対処するために、不正確なセグメンテーション部分を改善し、全体的なセグメンテーション精度を向上させるために、グラフ畳み込みニューラル ネットワーク (GCN) に基づく後処理方法を提案します。
まず、nnUNet を初期セグメンテーション フレームワークとして使用し、セグメンテーション結果の不確実性を分析します。
確実性ノードと不確実性ノードは、グラフ ニューラル ネットワークのノードを確立します。
各ノードとその 6 つの隣接ノードがエッジを形成し、エッジを形成する不確実なノードに対して 32 個のノードがランダムに選択されます。
非常に不確実なノードは、その後の絞り込みターゲットとして使用されます。
次に、確実性ノードの nnUNet の結果をラベルとして使用して半教師付きグラフ ネットワーク問題を形成し、セグメンテーション パフォーマンスを向上させるために GCN ネットワークをトレーニングすることで不確実性部分を最適化します。
これは、提案された nnUNet-GCN セグメンテーション フレームワークについて説明しています。
MICCIA2022 autoPET チャレンジの PET/CT データセットで腫瘍セグメンテーション実験を行います。
その中から 30 のケースがテスト用にランダムに選択され、実験結果は、偽陽性率が nnUNet-GCN 改良によって効果的に減少することを示しています。
定量分析では、平均サイコロ スコアで 2.12 %、95 % ハウスドルフ距離 (HD95) で 6.34、平均対称面距離 (ASSD) で 1.72 の改善があります。
定量的および定性的な評価結果は、GCN 後処理方法が腫瘍セグメンテーションのパフォーマンスを効果的に改善できることを示しています。

要約(オリジナル)

Whole-body PET/CT scan is an important tool for diagnosing various malignancies (e.g., malignant melanoma, lymphoma, or lung cancer), and accurate segmentation of tumors is a key part for subsequent treatment. In recent years, CNN-based segmentation methods have been extensively investigated. However, these methods often give inaccurate segmentation results, such as over-segmentation and under-segmentation. Therefore, to address such issues, we propose a post-processing method based on a graph convolutional neural network (GCN) to refine inaccurate segmentation parts and improve the overall segmentation accuracy. Firstly, nnUNet is used as an initial segmentation framework, and the uncertainty in the segmentation results is analyzed. Certainty and uncertainty nodes establish the nodes of a graph neural network. Each node and its 6 neighbors form an edge, and 32 nodes are randomly selected for uncertain nodes to form edges. The highly uncertain nodes are taken as the subsequent refinement targets. Secondly, the nnUNet result of the certainty nodes is used as label to form a semi-supervised graph network problem, and the uncertainty part is optimized through training the GCN network to improve the segmentation performance. This describes our proposed nnUNet-GCN segmentation framework. We perform tumor segmentation experiments on the PET/CT dataset in the MICCIA2022 autoPET challenge. Among them, 30 cases are randomly selected for testing, and the experimental results show that the false positive rate is effectively reduced with nnUNet-GCN refinement. In quantitative analysis, there is an improvement of 2.12 % on the average Dice score, 6.34 on 95 % Hausdorff Distance (HD95), and 1.72 on average symmetric surface distance (ASSD). The quantitative and qualitative evaluation results show that GCN post-processing methods can effectively improve tumor segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google