Segmentering av hode- og halskreft i PET/CT-bilder ved bruk av dype nevrale nettverk
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2787808Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Manuell segmentering av krefttumorer er en tidkrevende prosess som kan føre til stor inter- og intravariabilitet. Den lange inntegningstiden og usikkerheten i inntegningene, kan påvirke forløpet og utfallet av pasientens behandling. Formålet med denne masteroppgaven er å optimalisere og evaluere en automatisk segmenteringsmodell kalt 2D Dense-Net til segmentering av hode- og halskreft fra PET/CT-bilder. Modellen sammenlignes deretter med U-Net, som er mye brukt på området. Bruken av automatiske segmenteringsmodeller som støtteverktøy, kan potensielt frigi tid og bidra til nøyaktigere inntegninger som kan forbedre behandlingsforløpet til pasienten.
Fire forskjellige parametere ble justert for å optimalisere 2D Dense-Net i denne oppgaven. Det utgjorde 36 eksperimentmodeller, med forskjellige kombinasjoner av parameterne batchnormalisering, utelatelsesrate, læringsrate og antall filtre i første lag. Modellene ble trent, validert og testet ved hjelp av rammeverket deoxys på et datasett bestående av PET/CT-bilder fra 197 pasienter med hode- og halskreft fra Oslo universitetssykehus (OUS). Ytelsen ble evaluert ved ytelsesmålet Dice-score, og statistiske tester ble benyttet for å undersøke effekten av parameterne. Kombinasjonen av parameternivåene som bidro mest til økt Dice-score, ble definert som den beste modellen. Denne modellen ble videre testet med augmentering på validerings- og testsettet fra OUS, og på et eksternt testsett fra Maastro-klinikken i Nederland. Til slutt ble ytelsen til 2D Dense-Net sammenlignet med ytelsen til U-Net.
Modellen som ble definert som den beste hadde batchnormalisering, en læringsrate på 10-4, 32 filtre i første lag og 0,5 i utelatelsesrate. Den oppnådde en gjennomsnittlig Dice-score per pasient på 0,73 uten augmentering og 0,74 med augmentering på OUS-testsettet. Prestasjonen lå dermed på linje med U-Nettet på samme datasett. På Maastro-testsettet ble gjennomsnittlig Dice-score per pasient 0,64 både med og uten augmentering. Det var tydelig at augmentering hadde en positiv effekt på ytelsen ved bruk på OUS-datasettet, men på Maastro-datasettet var effekten marginal.
Ved sammenligning av 2D Dense-Net og U-Net, var det tydelig at 2D Dense-Net har potensiale til å være like anvendelig eller bedre som automatisk segmenteringsverktøy for hode- og halskreft i PET/CT-bilder som U-Net. Selv om modellen viste en god prestasjonsevne, gjorde den fortsatt noen grove feilpredikeringer. Dette belyser viktigheten av at formålet til segmenteringsmodellen er å være et støtteverktøy, ikke en erstatning av manuell inntegning. Ved videre arbeid kan det være hensiktsmessig å undersøke flere nivåer av de allerede vurderte parameterne, samt andre parametere og interaksjonen mellom dem. Videre arbeid bør også innebære flere kjøringer for mer data til de statistiske testene, og et større og mer variert datasett til trening og validering. Purpose
Manual tumour segmentation is a time-demanding process that can lead to large inter and intra-observer variability. The time required and the uncertainty associated with the segmentation can affect the outcome of the patient’s treatment. The purpose of this thesis is to optimise and evaluate an automatic delineation model known as 2D Dense-Net for segmentation of head and neck cancer from PET/CT images. The model is then compared with U-Net, which is an often-used model in the field of semantic segmentation. The use of auto-delineation models could potentially save time and contribute to more accurate delineations, which can improve treatment outcome.
Method
Four different parameters were adjusted in this thesis to optimize the 2D Dense-Net. This amounted to 36 experiments with different combinations of the parameters batch normalization, dropout rate, learning rate and the number of filters in the first layer. The models were trained, validated, and tested using the framework deoxys, on a dataset consisting of PET/CT images from 197 patients with head and neck cancer from Oslo university hospital (OUS). The performance was evaluated with the metric Dice score, and statistical tests were used to examine the effect of the parameters. The combination of the parameter levels that contributed the most to increased Dice score was defined as the best model. This model was further tested with augmentation on the validation and test set from OUS and on an external test set from the Maastro clinic in the Netherlands. Finally, 2D Dense-Net’s performance was compared to the performance of the U-Net on the same patient cohort.
Results
The model defined as the best model included batch normalization, 10-4 as learning rate, 32 filters in the first layer and a dropout rate of 0.5. The model achieved a mean Dice score per patient of 0.73 without augmentation and 0.74 with augmentation on the OUS test set. The performance was similar to U-Net results obtained on the same test set. The mean Dice score per patient on the Maastro test set was 0.64, both with and without augmentation. Augmentation had a positive effect when used on the OUS dataset, but the effect was marginal on the Maastro data.
Conclusion
Comparing 2D Dense-Net with U-Net, it is clear that 2D Dense-Net has the potential to be just as useful, or even better than U-Net for auto-delineation of head and neck cancer in PET/CT images. Even though the model showed an acceptable performance, it still made some significant errors. This highlights the importance of the purpose of the segmentation model, which is to be a support tool and not a replacement of the manual delineation. It is recommended to examine more levels of the already assessed parameters, as well as other parameters and the interaction between them. Further research should also involve more runs of the models to achieve more data for the statistical tests, and a larger and more varied dataset.