臓器分割におけるキャリブレーション分析と不確実性モデリングのためのマルチレータ・マルチオルガン腹部CTデータセット

科学分野:

• 医用画像
• 人工知能
• 生体医工学

背景:

• 深層学習（DL）モデルは、医療画像における腫瘍や臓器境界などの曖昧な構造の正確なセグメンテーションに課題を抱えています。
• 専門家間のレータ間のばらつきは、一貫性のないセグメンテーション結果につながり、臨床的意思決定に影響を与えます。
• 誤ってキャリブレーションされた、または過度に自信のあるDLモデルは、悪性リスク評価に関して放射線科医を誤解させる可能性があります。

研究 の 目的:

• セグメンテーションの不確実性とキャリブレーションの問題に対処するため、CURVASチャレンジ（マルチレータ体積評価のためのキャリブレーションと不確実性）を確立すること。
• マルチオルガンセグメンテーションタスクにおける不確実性、キャリブレーション、セグメンテーション品質を共同で評価すること。
• アノテーションのばらつきを考慮しながら臓器の体積を評価することにより、臨床的関連性を促進すること。

主な方法:

• エアランゲン大学病院の90件の造影CTスキャンからなるデータセットをキュレーションしました。
• 膵臓、肝臓、腎臓のセグメンテーションは、3人の独立した専門家によってアノテーションされました。
• CURVASチャレンジは、セグメンテーション精度、キャリブレーション、信頼性のためのアルゴリズムの開発とベンチマークに焦点を当てています。

主要な成果:

• 定量的分析により、腎臓と肝臓のセグメンテーションに強い一貫性が明らかになりました。
• 膵臓のセグメンテーションは困難であることが判明し、ラベリングプロトコルの改善が必要であることが強調されました。
• このデータセットは、堅牢なセグメンテーションアルゴリズムを開発するための基盤として機能します。

結論:

• 不確実性とキャリブレーションに対処することは、信頼性の高い深層学習ベースの医療画像セグメンテーションにとって非常に重要です。
• 膵臓のような困難な構造には、標準化されたアノテーション慣行と洗練されたトレーニング戦略が必要です。
• CURVASデータセットは、セグメンテーション精度、キャリブレーション、臨床的適用性の進歩を促進します。