膵臓癌患者のCTイメージングに関するNNU-NETベースの膵臓セグメンテーションと体積測定

理論的根拠と目的：CTでの膵臓セグメンテーションおよび膵臓癌における膵臓体積の自動測定のための深い学習（DL）ベースの方法を開発および検証する。 材料と方法：このレトロスペクティブ研究は、膵臓癌患者における完全に自動化された膵臓セグメンテーションのために3D NNU-NETアーキテクチャを使用しました。この研究では、851ポータルの静脈相CT画像（499膵臓癌と352の正常膵臓）を使用しました。このデータセットは、トレーニング（n = 506）、内部検証（n = 126）、および外部テストセット（n = 219）に分割されました。外部テストセットの場合、膵臓は2人の腹部放射線科医（R1およびR2）によって手動でセグメント化され、地上真理を得ました。さらに、コンセンサスセグメンテーションは、同時真実とパフォーマンスレベルの推定（ステープル）アルゴリズムを使用して取得されました。セグメンテーションパフォーマンスは、サイコロの類似性係数（DSC）を使用して評価されました。次に、自動セグメンテーションによって決定される膵臓容積を、2人の放射線科医による手動セグメンテーションによって決定された膵臓と比較されました。 結果：膵臓セグメンテーションのDLベースのモデルは、内部検証データセットで0.764の平均DSCと、R1、R2、およびステープルを使用して0.807、0.805、および0.803のDSCで、外部テストデータセットの参照として参照として示されました。自動および手動セグメンテーションで測定された膵臓の実質体積は類似していた（DLベースのモデル：65.5±19.3 cm3およびステープル：65.1±21.4 cm3; p = 0.486）。DLベースのモデル予測とステープルによる手動セグメンテーションの間の膵臓の実質体積の差は0.5 cm3で、相関係数は0.88でした。 結論：DLベースのモデルは、膵臓の自動セグメンテーションを効率的に生成し、膵臓癌患者の膵臓量を測定します。

RATIONALE AND OBJECTIVES: To develop and validate a deep learning (DL)-based method for pancreas segmentation on CT and automatic measurement of pancreatic volume in pancreatic cancer. MATERIALS AND METHODS: This retrospective study used 3D nnU-net architecture for fully automated pancreatic segmentation in patients with pancreatic cancer. The study used 851 portal venous phase CT images (499 pancreatic cancer and 352 normal pancreas). This dataset was divided into training (n = 506), internal validation (n = 126), and external test set (n = 219). For the external test set, the pancreas was manually segmented by two abdominal radiologists (R1 and R2) to obtain the ground truth. In addition, the consensus segmentation was obtained using Simultaneous Truth and Performance Level Estimation (STAPLE) algorithm. Segmentation performance was assessed using the Dice similarity coefficient (DSC). Next, the pancreatic volumes determined by automatic segmentation were compared to those determined by manual segmentation by two radiologists. RESULTS: The DL-based model for pancreatic segmentation showed a mean DSC of 0.764 in the internal validation dataset and DSC of 0.807, 0.805, and 0.803 using R1, R2, and STAPLE as references in the external test dataset. The pancreas parenchymal volume measured by automatic and manual segmentations were similar (DL-based model: 65.5 ± 19.3 cm3 and STAPLE: 65.1 ± 21.4 cm3; p = 0.486). The pancreatic parenchymal volume difference between the DL-based model predictions and the manual segmentation by STAPLE was 0.5 cm3, with correlation coefficients of 0.88. CONCLUSION: The DL-based model efficiently generates automatic segmentation of the pancreas and measures the pancreatic volume in patients with pancreatic cancer.