---
tags: Medical
---
# 論文閱讀: Segmentation of the Prostatic Gland and the Intraprostatic Lesions on Multiparametic MRI Using Mask-RCNN(2019)

[Segmentation of the Prostatic Gland and the Intraprostatic Lesions on Multiparametic MRI Using Mask-RCNN](https://arxiv.org/abs/1904.02575)

## Abstract
這篇論文中，使用一共120位病人的資料，希望透過Mask-RCNN可以實作出攝護腺及病灶區的segmentation。

此外，也會使用2D UNet與3D UNet與其作為比較。

結果指出，Mask-CNN在攝護腺的segmentation擁有高水平的表現。在病灶區的segmentation上也超越了基準值。

## Introduction
### Technical Significance
論文中主要的目標可以分為兩個:
(1)使用Mask-RCNN做出prostate segmentation
(2)使用Mask-RCNN做出ILs(病灶區) segmentation

另外一個貢獻是，論文中extend 2D 的 Mask-RCNN 模型，使其可以做到體積層面的segmentation，並且可以對攝護腺輸出前五名的病灶候選區。

### Clinical Relevance
此研究的目標為輸出高度可疑的病灶區，能夠增強醫生臨床診斷的準確性。
## Patient Cohorts
* 共有120位病人在此研究中被使用
### Group A(78)
來自PIE-AAPMNCI Prostate MR Gleason Grade Group Challenge (PROSTATEx-2 Challenge)。這是American Association of Physicists in Medicine（AAPM）與Society for Optics and Photonics（SPIE）和National Cancer Institute（NCI）進行的前列腺MR研究的研究資料。

該數據庫的每個患者病例都是來自不同患者的單個檢查，所有患者均經活檢證實為病變狀態。此外，這些資料可區分成兩種不同掃描儀下的結果。

對於A組，論文研究所的臨床醫生根據活檢標記對前列腺和病灶區進行了標記

### Group B(42)
由論文作者自行收集的42位患者資料
其中16患者的標記與A組的標記者不同，所有患者的所有病灶區均由研究所中的三個不同的臨床醫生標記。

### Validation
#### prostate segmentation
在攝護腺segmentation的部分，從A組中的隨機挑選24位患者並被等分成validation和testing set。
剩下的54位留下來做testing set

不同標記者的16個B組資料被作為independent testing set。

在prostate segmentation中，只使用T2WI進行實驗。因為此中圖中最容易找到攝護腺位置。

#### ILs segmentation
在此研究中，隨機選擇A組中45病患，B組中12位病患作為training set。再隨機選擇AB組中各10位(B組中會選擇只有1處病灶區的患者)做為validation。AB組剩下的病人會做為testing set。
剩下20位B組的病人中
* 3位有3處病灶
* 8位有2處病灶
* 9位只有1處病灶

T2跟ADC會被combine 在一起做為input

## Methods
### Network Architecture

如下圖，論文中提及其所使用的模型與選擇的backbone(其實就是一般Mask-RCNN最常用的Resnet101+FPN做為backbone的RPN，大概也沒有調整過模型)

詳細可以參考[实例分割算法 - Mask-RCNN](https://zhuanlan.zhihu.com/p/66973573)

### Evaluation Metrics
共有4種 metrics用來做為評估:dice similarity coefficient (DSC), 95 percentile Hausdorff distance (HD), sensitivity, 與 specificity。
* DSC: 評估預測的mask與實際狀況的重疊程度。

* HD: 評估預測的mask與實際狀況的偏離程度。
d(a,b) 是點a與點b的尤拉距離。
95 percentile HD表示對每個A中的點，可以找到B中最近的點，這些值從小排到大的95%最大值。

* Sensitivity/Specificity:DTP表示被預測為攝護腺/病灶的範圍，DTN表示被預測為非攝護腺/病灶的範圍。TP表示實際上為攝護腺/病灶的範圍，TN表示實際上非攝護腺/病灶的範圍

* Agreement(用來評估病灶區): DTP表示與ground truth 的DSC>0.2的病灶數量，TP表示醫生實際標記的病灶數量。
### Implementation
(略)
### Extension of model to 3D space
(對MRI的3D部分不太確定，因此這部分有點看不懂，暫時先省略)

## Results
Prostate segmentation Results of prostate segmentation are shown in Table 1

Figure 2 shows the prostate segmentation results on T2WI
by clinician and the algorithm

ILs detection and segmentation Results of ILs detection and segmentation are shown in Table 2


訓練2D及3D U-Net做比較，使用12位病人做為testing set。 2D UNet的DSC為0.85±0.03，3D U-Net的DSC為0.83±0.07。

## Discussion
(略)