クラスタリングアルゴリズムで訓練されたCNNを使用したCT画像における肺実質のセグメンテーション生成データセット

背景：肺のセグメンテーションは、肺疾患の早期診断と治療を改善することを目的とした臨床決定システムの重要な手順を構成します。異常な肺には、主に、被験者、病気、CTスキャナーのCT画像の共通性を備えた肺実質、およびさまざまな外観を示す肺病変が含まれます。肺実質のセグメンテーションは、隣接する病変の位置と分析に役立ちますが、機械学習の枠組みでは十分に研究されていません。 方法：畳み込みニューラルネットワーク（CNN）モデルを使用して、肺実質をセグメント化することを提案しました。CNNをトレーニングするためにデータセットを手動で準備するワークロードを減らすために、1つのクラスタリングアルゴリズムベースのメソッドが最初に提案されます。具体的には、CTスライスを画像パッチに分割した後、2つのカテゴリを持つK-Meansクラスタリングアルゴリズムは、それぞれ画像パッチの平均と最小強度を使用して2回実行されます。クロス型の検証、ボリューム交差点、接続されたコンポーネント分析、パッチ拡張に続いて、最終データセットを生成します。第二に、6つのカーネルを備えた1つの畳み込み層のみで構成されるCNNアーキテクチャを設計し、その後に1つの最大プーリング層と2つの完全に接続された層が続きます。生成されたデータセットを使用して、さまざまなCNNモデルがトレーニングおよび最適化され、そのパフォーマンスは8倍の交差検証によって評価されます。CTまたはPET/CTによってスキャンされた、肺がんまたは慢性閉塞性肺疾患を伴う201人の被験者（46億億パッチ）のデータセットを使用して、別の検証実験がさらに実施されます。この方法によるセグメンテーションの結果は、手動セグメンテーションおよびいくつかの利用可能な方法によって得られたものと比較されます。 結果：CNNモデルをトレーニングおよび検証するために、合計121,728個のパッチが生成されます。パラメーターの最適化後、CNNモデルは、肺実質と非肺ペルンチマの分類のために0.9917の平均Fスコアと0.9991の曲線領域を達成します。取得モデルは、不均一な肺疾患とCTスキャナーを伴う201人の被験者の肺実質を正確に分割できます。手動セグメンテーションとメソッドによるセグメンテーションとの間のオーバーラップ比は0.96に達します。 結論：結果は、提案されたクラスタリングアルゴリズムベースの方法がCNNモデルのトレーニングデータセットを生成できることを実証しました。得られたCNNモデルは、非常に満足のいくパフォーマンスで肺実質をセグメント化することができ、肺病変を見つけて分析する可能性があります。

BACKGROUND: Lung segmentation constitutes a critical procedure for any clinical-decision supporting system aimed to improve the early diagnosis and treatment of lung diseases. Abnormal lungs mainly include lung parenchyma with commonalities on CT images across subjects, diseases and CT scanners, and lung lesions presenting various appearances. Segmentation of lung parenchyma can help locate and analyze the neighboring lesions, but is not well studied in the framework of machine learning. METHODS: We proposed to segment lung parenchyma using a convolutional neural network (CNN) model. To reduce the workload of manually preparing the dataset for training the CNN, one clustering algorithm based method is proposed firstly. Specifically, after splitting CT slices into image patches, the k-means clustering algorithm with two categories is performed twice using the mean and minimum intensity of image patch, respectively. A cross-shaped verification, a volume intersection, a connected component analysis and a patch expansion are followed to generate final dataset. Secondly, we design a CNN architecture consisting of only one convolutional layer with six kernels, followed by one maximum pooling layer and two fully connected layers. Using the generated dataset, a variety of CNN models are trained and optimized, and their performances are evaluated by eightfold cross-validation. A separate validation experiment is further conducted using a dataset of 201 subjects (4.62 billion patches) with lung cancer or chronic obstructive pulmonary disease, scanned by CT or PET/CT. The segmentation results by our method are compared with those yielded by manual segmentation and some available methods. RESULTS: A total of 121,728 patches are generated to train and validate the CNN models. After the parameter optimization, our CNN model achieves an average F-score of 0.9917 and an area of curve up to 0.9991 for classification of lung parenchyma and non-lung-parenchyma. The obtain model can segment the lung parenchyma accurately for 201 subjects with heterogeneous lung diseases and CT scanners. The overlap ratio between the manual segmentation and the one by our method reaches 0.96. CONCLUSIONS: The results demonstrated that the proposed clustering algorithm based method can generate the training dataset for CNN models. The obtained CNN model can segment lung parenchyma with very satisfactory performance and have the potential to locate and analyze lung lesions.