全体的にネストされた畳み込みニューラルネットワークの空間集約化による自動膵臓位置特定とセグメンテーション

3次元放射線画像からの正確かつ自動的な臓器セグメンテーションは、医療画像解析において重要な課題でありながら、依然として困難な問題です。特に膵臓は、形状と体積の両方で患者間で非常に高い解剖学的変異を示します。本論文では、2段階の連続アプローチを用いた3次元CTボリュームの自動システムを提案します。このアプローチは膵臓の局在化とセグメンテーションに分かれています。最初のステップでは、全体の3次元CTスキャンから膵臓を局在化し、より精密なセグメンテーションステップのために信頼性のあるバウンディングボックスを提供します。私たちは、全方向巣状畳み込みネットワーク（HNNs）を効率的に3つの直交する軸方向（軸位、矢状位、冠状位）に適用した完全なディープラーニング手法を導入します。得られたHNNの画素ごとの確率マップはプーリングを使用して融合され、再現率が最大となる膵臓の3次元バウンディングボックスを信頼性高く生成します。私たちは提案した局在化手法が、従来の非ディープラーニング手法や最近のランダムフォレスト分類によるスーパピクセル空間集約に基づくハイブリッドアプローチと比較して優れていることを示しています。次のセグメンテーションフェーズでは、計算されたバウンディングボックス内で動作し、2つの追加的なHNNs実装によって得られる深層学習された臓器内部と境界マップの中間レベルの意味情報を統合します。これらの2つの中間レベルの手がかりを統合することで、当方法は境界保存型の画素単位クラスラベルマップを生成でき、最終的な膵臓セグメンテーションにつながります。定量評価は公開されている82人の患者CTスキャンデータセットに対して4分割交差検証（CV）を使用して行われました。我々は検証においてDice類似係数（DSC）81.27±6.27% を達成しました。これは同じデータセットを使用して報告されている以前の最先端手法であるDSC 71.80±10.70% および 78.01±8.20% を大幅に上回る結果です。