非造影剤と造影剤後の腹部 CT の両方に適用可能な完全自動多臓器セグメンテーション ツール: デュアル エネルギー CT 画像を使用して開発された深層学習アルゴリズム

1708607719
2024-02-22 13:00:10

この研究は私たちの施設の治験審査委員会によって承認され、研究の遡及的性質のためインフォームドコンセントの要件は免除されました。

データソース

腹部 CT スキャンの多臓器セグメンテーション アルゴリズムを開発するには、次の 3 つのセットのいずれかにランダムに割り当てられた 95 件の DECT 検査で構成されるデータセットが使用されました: (1) トレーニング セット (n = 75)。 (2) 検証セット (n=10); (3) トレーニング テスト セット (n=10)。 さらに、アルゴリズムのパフォーマンスを評価するために、30 件の DECT 検査 (DECT テスト セット) と 30 件の単一エネルギー CT (SECT) 検査 (SECT テスト セット) で構成される 2 つの独立した外部データセットが個別に収集されました。 この研究で使用されたデータセットの具体的な詳細を以下に示します。

デュアルエネルギー CT データセット

アルゴリズムの開発のために、2020 年 4 月から 2020 年 9 月までの間に、SOMATOM Force、Siemens Healthineers (n≠49)、と IQon スペクトル CT、フィリップス ヘルスケア (n = 46)。 DECT データセットの対象基準は、肝臓、脾臓、右腎臓 (RK)、左腎臓 (LK)、膵臓などの標的臓器内の小さな嚢胞を除いて、一般的に病巣のない健康な無症状の成人外来患者でした。

アルゴリズムのパフォーマンスの外部テストでは、2021 年 1 月から 2 月にかけて 2 台の異なる DECT マシン (SOMATOM Force、Siemens Healthineers) を使用して実施された 30 件の DECT 検査で構成される、時間的に独立した DECT テスト セット [n = 15]、IQon スペクトル CT、フィリップス ヘルスケア [n = 15]）を集めました。

デュアルエネルギー門脈相（DE-PVP）画像を、造影後の CT 画像のデータセットとして使用しました。 これらの DE-PVP 画像は、上部半横隔膜ドームの上部から上前腸骨棘または上部大腿レベルまでの領域をカバーしていました。 各スキャナーに使用される CT 取得および再構成パラメーターは、補足表に示されています。 1。 対応する VNC 画像は、非造影 CT 画像のデータセットとして使用されました。 これらの VNC 画像は、SOMATOM Force の Syngo.via や IQon Spectral CT の IntelliSpace Portal などの専用の後処理システムを使用して、DE-PVP 生データから生成されました。

単一エネルギー CT データセット

SECT データセットについては、30 人の患者の 30 回のダイナミック造影腹部 CT 検査が収集されました (SECT テスト セット)。これらは、2021 年 1 月から 2021 年 2 月の間に当院で 3 台の異なる SECT スキャナーを使用して取得されました: Revolution、GE Healthcare (n =≤9)、SOMATOM 定義、シーメンス ヘルスニアーズ (n≠11)、および iCT、フィリップス ヘルスケア (n≠10)。 各 CT 検査には、TNC 画像と単一エネルギー PVP (SE-PVP) 画像が含まれていました。 SECT データセットの包含基準は、DECT データセットで使用されたものと同じでした。 SE-PVP と TNC の両方のスキャン範囲は、片側横隔膜ドームの上部から上前腸骨棘または大腿上部のレベルまででした。 各スキャナの詳細な CT パラメータは補足表にリストされています。 1。

3D臓器ラベルの作成

肝臓、脾臓、RK、LK、膵臓の 3D 臓器ラベルは、DECT データセットと SECT データセットの両方で生成されました。 標識プロセスの効率を向上させるために、最初は市販のセグメンテーション ソフトウェア (MEDIP PRO v.2.4.0、MEDICALIP Co. Ltd.、ソウル、韓国) を予備的な臓器セグメンテーションに使用しました。 その後、委員会認定の腹部放射線科医 (SKJ、腹部 CT 解釈で 9 年の臨床経験を持つ) が予備ラベルのボクセル単位の補正を手動で実行し、グラウンド トゥルースの注釈として確立しました。 DECT の場合、3D 臓器ラベルは DE-PVP 画像で確認されました。 これらの確認されたラベルは、時空間マッチングに基づいて、対応する VNC 画像に直接転送されました (補足図)。 1）。 対照的に、SECT の場合、器官ラベルは SE-PVP および TNC 画像に対して個別に生成されました。 TNC ラベルは、臓器セグメンテーション プロセスの精度を確保するために、同じ患者の PVP 画像を参照して生成されました。

多臓器セグメンテーションのための 3D nnU-Net アルゴリズム

アルゴリズム開発

腹部 CT スキャン用の多臓器セグメンテーション アルゴリズムは、3D nnU-Net アーキテクチャを使用して開発されました (図)。 1) は、医療画像のセグメンテーションにおける優れたパフォーマンスと有効性で知られる高度な > モデルです。13。 アルゴリズムを開発するために、85 回の DECT 検査からの PVP 画像とそれに対応する VNC 画像の 20,020 スライスと、グラウンドトゥルースの注釈を含むデータセットが使用されました。 セグメンテーション アルゴリズムをエンドツーエンドでトレーニングする代わりに、ネットワークは体組成セグメンテーション アルゴリズムを使用して予測された内臓領域を取得するように設計されました。14 入力データとして、肝臓、脾臓、RK、LK、膵臓のセグメント化された領域に対応する 5 つのクラスを生成します (補足図)。 2）。 内臓領域を予測するために採用した体組成セグメンテーション アルゴリズムは、体の構成要素を体積測定により皮膚、骨、筋肉、腹部内臓脂肪、皮下脂肪、中枢神経系、血管のある内臓の 7 つのクラスに自動的にセグメンテーションします。 以前の研究では、このアルゴリズムのサイコロ類似係数 (DSC) が 0.94 を超えることが報告されています。14。 私たちは、内臓領域を入力として使用するこの開発戦略を採用し、非内臓領域を戦略的に回避することで推論時間を短縮し、結果として計算負荷を軽減し、誤検知の発生を減らしました。

図1

3D nnU-Net ベースの多臓器セグメンテーション アルゴリズムのアーキテクチャ。

前処理戦略とネットワーク ハイパーパラメータは、nnU-Net のパフォーマンスを最適化するためにカスタマイズされました。 前処理ステップの一環として、3D ボリュームはターゲット間隔 0.66796875、0.66796875、および 2 に一致するようにサイズ変更されました。最終的なパッチ サイズ構成は 160 × 160 × 64 でした。バッチ サイズは 2 でした。トレーニング中に、回転、スケーリング、ガンマ補正、ミラーリングなどのデータ拡張手法が適用されました。 ダイス損失とクロスエントロピー損失関数を使用して、確率的勾配降下法 (ネステロフ運動量 = 0.99) でアルゴリズムをトレーニングしました。 多項式学習率スケジューラは 0.01 に初期化されます。 アルゴリズムは 1000 エポックにわたってトレーニングされました。

アルゴリズムのセグメンテーションのパフォーマンス

まず、アルゴリズムのセグメンテーション パフォーマンスが、トレーニングに使用されなかった開発データセットの一部であるトレーニング テスト セットを使用して評価されました。 さらに、2 つの別々のデータセット (DECT テスト セットと SECT テスト セット) を使用して外部テストが実行されました。 セグメンテーションのパフォーマンスを評価するために、DE-PVP 画像とそれに対応する VNC 画像の両方が DECT セットで使用され、SE-PVP と TNC 画像の両方が SECT セットで使用されました (補足図)。 3）。

開発したアルゴリズムを用いた臓器体積推定

開発されたアルゴリズムは、外部テスト セット (DECT セットおよび SECT セット) で臓器容積を測定する際の精度を評価することにより、臨床応用可能性についてテストされました。 各ターゲット臓器 (肝臓、脾臓、RK、LK、膵臓) の体積は、アルゴリズムから得られた 3D セグメンテーションの結果に基づいて測定されました。

統計分析

臓器セグメンテーション用に開発された 3D nnU-net アルゴリズムの精度は、アルゴリズムから導出されたマスクとグラウンド トゥルース マスクを比較することによって、臓器およびイメージング段階ごとに評価されました。 サイコロ類似係数 (DSC)15 を評価指標として使用しました。 さらに、異なるイメージングフェーズの DSC 値が DECT テストセットと SECT テストセット間で比較されました。 具体的には、DECT 上の DE-PVP と VNC 間の DSC 値、および SECT 上の SE-PVP と TNC 間の DSC 値は、対応のある t 検定を使用して計算されました。 さらに、Mann-Whitney U テストまたは Kruskal-Wallis テストを使用して、異なる CT 装置間で DSC 値を比較しました。

臓器容積測定の場合、アルゴリズムによって得られた推定容積と各臓器のグランドトゥルース容積の間の相関関係が、ピアソン相関分析を使用して評価されました。 推定ボリュームとグラウンド トゥルース ボリュームの間の一致は、クラス内相関係数 (ICC) と Bland-Altman 分析を使用して評価されました。 ICC 値は次の基準を使用して解釈されました: ≧0.90 は優れた一致を示します。 ≧0.75 ～ <0.90、良好な一致。 ≧0.50 ～ < 0.75、中程度の一致。 < 0.50、一致度が低い16。 Bland-Altman 95% 一致限界 (LOA) は、測定値のパーセンテージとして表されました。 アルゴリズムで推定されたボリュームの誤差の割合は、次の式を使用してグラウンド トゥルース ボリュームと比較することによって計算されました。 [(algorithm-estimated) − (ground truth)]/(グラウンド トゥルース)×100 (%)。 正確な体積推定は、グラウンド トゥルース ボリュームの 10% 以下の逸脱がある評価として定義されました。 したがって、過大評価はグランド トゥルース ボリュームの 10% 以上の偏差として定義され、過小評価はグランド トゥルース ボリュームの 10% 以下の偏差として定義されました。

すべての統計分析は、MedCalc バージョン 19.4.0 (MedCalc Software、ベルギー、オステンド) を使用して実行されました。 AP の有意性は < 0.05 に設定されました。

#非造影剤と造影剤後の腹部 #の両方に適用可能な完全自動多臓器セグメンテーション #ツール #デュアル #エネルギー #画像を使用して開発された深層学習アルゴリズム