3DマスクR-CNNを用いた脳腫瘍のセグメンテーション

Brain tumor segmentation using 3D mask R-CNN for dynamic susceptibility contrast enhanced perfusion imaging.

• Jiwoong Jeong
• Yang Lei
• Shannon Kahn
• Tian Liu
• Walter J Curran
• Hui-Kuo Shu
• Hui Mao
• Xiaofeng Yang

抄録

新生物のセグメンテーションは、放射線治療計画、疾患進行のモニタリング、患者の転帰予測において重要な役割を果たしている。脳では、ダイナミック感受性コントラスト増強（DSCE）やT1強調ダイナミックコントラスト増強（DCE）灌流MRIのような機能的磁気共鳴画像（MRI）は診断のための重要なツールである。これらは、腫瘍組織学の術前評価、悪性度判定、および腫瘍生検のガイダンスを提供する上で重要な役割を果たしている。しかし、これらの新生物の手動による輪郭形成は、手間がかかり、費用がかかり、時間がかかり、観察者間のばらつきを含んでいる。本研究では、3DマスクR-CNN法を用いて、DSCE MRI灌流画像の脳腫瘍を自動的にセグメンテーションすることを提案する。我々は3Dマスク領域ベースの畳み込みニューラルネットワーク(R-CNN)を用いてDSCE灌流画像の腫瘍のセグメント化を行った。我々の目標は腫瘍の局所化とセグメント化を同時に行うことであったため、我々のトレーニングプロセスには関心領域（ROI）の局所化とボクセル単位のセグメンテーションによる回帰の両方が含まれていた。分類損失、ROIの位置と大きさの回帰損失、およびセグメンテーション損失の組み合わせは、提案されたネットワークを監督するために使用された。我々は21人の患者の灌流画像（3次元画像1260枚）をレトロスペクティブに調査し，その中の腫瘍の輪郭を提案手法で自動的にセグメント化し，医師が基準となる画像と比較した．その結果、本手法の結果は基底真実の輪郭と良好な一致を示した。平均DSC、精度、リコール、HD、MSD、RMSD、CMDはそれぞれ0.86±0.10、0.90±0.10、0.83±0.12、7.16±5.77mm、0.45±0.34mm、1.03±0.71mm、0.86±0.91mmであった。これらの結果は、DSCE灌流MRIにおける脳腫瘍の正確な局所化とセグメンテーションにおける本手法の実現可能性を裏付けるものである。DSCE灌流MRIにおける3DマスクR-CNNを用いたセグメンテーション法は、臨床応用が期待される。

The segmentation of neoplasms is an important part of radiotherapy treatment planning, monitoring disease progression, and predicting patient outcome. In the brain, functional magnetic resonance imaging (MRI) like dynamic susceptibility contrast enhanced (DSCE) or T1-weighted dynamic contrast enhanced (DCE) perfusion MRI are important tools for diagnosis. They play a crucial role in providing pre-operative assessment of tumor histology, grading, and tumor biopsy guidance. However, the manual contouring of these neoplasms is tedious, expensive, time-consuming, and contains inter-observer variability. In this work, we propose using a 3D Mask R-CNN method to automatically segment brain tumors for DSCE MRI perfusion images. We used a 3D Mask region-based convolutional neural network (R-CNN) to segment the DSCE perfusion tumor. As our goal was to simultaneously localize and segment the tumor, our training process contained both a region-of-interest (ROI) localization and regression with voxel-wise segmentation. The combination of classification loss, ROI location and size regression loss, and segmentation loss were used to supervise the proposed network. We retrospectively investigated 21 patients' perfusion images, with between 50-70 perfusion time point volumes (1260 3D images), whose tumor contours were automatically segmented by our proposed method and compared against those delineated by physicians as the ground truth. The results of our method demonstrated good agreement with the ground truth contours. The average DSC, precision, recall, HD, MSD, RMSD, and CMD were 0.86±0.10, 0.90±0.10, 0.83±0.12, 7.16±5.77 mm, 0.45±0.34 mm, 1.03±0.71 mm, and 0.86±0.91 mm respectively. These results support the feasibility of our method in accurately localizing and segmenting brain tumors in DSCE perfusion MRI. The 3D Mask R-CNN based segmentation method in DSCE perfusion imaging has great promise for clinical use.

© 2020 Institute of Physics and Engineering in Medicine.