動的コントラスト増強MRIにおける乳房領域のセグメンテーション

Breast Region Segmentation being Convolutional Neural Network in Dynamic Contrast Enhanced MRI.

• Xiaowei Xu
• Ling Fu
• Yizhi Chen
• Rasmus Larsson
• Dandan Zhang
• Shiteng Suo
• Jia Hua
• Jun Zhao

抄録

乳房密度とバックグラウンド・パーセンタイル・エンハンスメント（BPE）は、乳がんのリスクとの関連性が示唆されている。乳房密度とBPEの定量的分析への最初のステップは、体から乳房をセグメント化することである。現在、畳み込みニューラルネットワーク（CNN）は画像のセグメンテーションに広く用いられており、意味的なセグメンテーションではうまく機能しているが、乳房領域のセグメンテーションにはほとんど使われていない。本論文では、横方向脂肪抑制乳房ダイナミックコントラスト強化磁気共鳴イメージング（DCE-MRI）における乳房領域のセグメンテーションにCNNを採用した。画像の正規化は最初に行われた。続いて、データセットをランダムに3つのセットに分割した：トレーニングセット、バリデーションセット、テストセット。訓練セットでは2次元U-Netを学習し、検証セットでは最適なモデルを選択した。最後に，U-Netで得られたテストセットのセグメンテーション結果を後処理で調整した．このステップでは、小さい方の体積が乳房切除後の瘢痕であるかどうかを判断するために、2つの最大の体積を計算した。本研究では、データセットが少ないという制約の中で、5倍のクロスバリデーションとデータの補強を行った。テストセットの最終的な結果は、手動によるセグメンテーションの結果を用いて、ボリュームベースのメトリクスと境界ベースのメトリクスで評価した。この方法を用いて、平均サイコロ類似度係数（DSC）、サイコロ差係数（DDC）、平方根平均距離はそれぞれ97.44％、5.11％、1.25ピクセルに達した。

Breast density and background parenchymal enhancement (BPE) are suggested to be related to the risk of breast cancer. The first step to quantitative analysis of breast density and BPE is segmenting the breast from body. Nowadays, convolutional neural networks (CNNs) are widely used in image segmentation and work well in semantic segmentation, however, CNNs have been rarely used in breast region segmentation. In this paper, the CNN was employed to segment the breast region in transverse fat-suppressed breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI). Image normalization was initially performed. Subsequently, the dataset was divided into three sets randomly: train set validation set and test set. The 2-D U-Net was trained by train set and the optimum model was chosen by validation set. Finally, segmentation results of test set obtained by U-Net were adjusted in the postprocessing. In this step, two largest volumes were computed to determine whether the smaller volume is the scar after mastectomy. With the limitation of small dataset, 5-fold cross-validation and data augmentation were used in this study. Final results on the test set were evaluated by volume-based and boundary-based metrics with manual segmentation results. By using this method, the mean dice similarity coefficient (DSC), dice difference coefficient (DDC), and root-mean-square distance reached 97.44%, 5.11%, and 1.25 pixels, respectively.