Development and Validation of a Deep Learning-Based Algorithm for Automatic Segmentation of Peritoneal Metastases in Epithelial Ovarian Cancer Using Computed Tomography = 전산화 단층촬영영상을 이용한 난소암 복막 전이 자동 분할을 위한 Deep Learning Algorithm의 개발과 검증

다국어 초록 (Multilingual Abstract)

Objective: To facilitate image-guided surgery in epithelial ovarian cancer (EOC), pre-treatment diagnosis of peritoneal metastases (PM) is essential. However, manual labelling and quantifying all PM lesions is impractical in clinical practice. This study aimed to develop a deep learning-based auto-segmentation algorithm for PM using computed tomography (CT) scan images of patients with ovarian cancer.

Methods: This retrospective study included 200 patients with histologically confirmed EOC from Seoul National University Hospital for model development and internal validation, and 100 patients from Korea University Anam Hospital for external validation. Three gynecologic oncologists manually annotated PM lesions on contrast-enhanced CT images, which were used to train a 3D nnU-Net–based segmentation model. Segmentation performance was evaluated using standard metrics (Dice coefficient, sensitivity, and precision), as well as additional metrics, including boundary-based metrics (Hausdorff distance and boundary F1 score), and the weighted Dice score. Comparisons were made between the standard threshold (0.5) and gray-level morphological normalization (GMN) threshold settings.

Results: A total of 200 patients with EOC were included for model development and internal validation. The median age was 58.2 years, and the majority were diagnosed at FIGO stage IIIC (49.5%) or IVB (28.0%), with high-grade serous carcinoma being the most common histological subtype (77.5%). An independent external validation cohort comprised 100 patients, including 70 with EOC, 20 with borderline ovarian tumors, and 10 with no malignancy. Among EOC cases, high-grade serous carcinoma accounted for 42.0%, and nearly half were diagnosed at FIGO stage IIIC-IVB. The model achieved higher performance in the external validation cohort compared to the internal cohort. At the GMN threshold, the model achieved improved segmentation performance across both internal and external cohorts. In external validation, the Dice coefficient was 86.96% ± 4.65%, the sensitivity was 92.68% ± 3.16%, and the precision was 82.92% ± 5.51%. Weighted Dice scores remained stable across thresholds, confirming robustness in detecting small-volume lesions. Hausedorff distance (95%) increased slightly with GMN threshold, reflecting broader boundary inclusion while maintaining acceptable contour accuracy.

Conclusions: We successfully developed a deep learning-based auto-segmentation algorithm to identify and indicate PM lesions in ovarian cancer. This model will aid radiologists’ reading and facilitate image-guided surgery for advanced-stage ovarian cancer in clinical practice.

국문 초록 (Abstract)

목적: 난소암에서 영상 진단 하에 수술을 용이하게 하기 위해 치료 전 복막 전이의 진단은 필수적이다. 그러나 임상에서 복막 전이 병변 전체를 수동으로 라벨링하고 정량화하는 것은 현실적으로 어렵다. 본 연구는 난소암 환자의 컴퓨터 단층촬영(CT) 영상을 기반으로 복막 전이 병변을 자동으로 분할하는 딥러닝 기반 알고리즘을 개발하는 것을 목표로 하였다.

방법: 본 후향적 연구는 서울대학교병원에서 조직학적으로 확진된 난소암 환자 200명의 CT 영상을 활용하여 모델을 개발하고 내부 검증을 시행하였으며, 고려대학교 안암병원 환자 100명의 자료를 통해 외부 검증을 수행하였다. 세 명의 부인종양 전문의가 조영증강 CT 영상에서 복막전이 병변을 수작업으로 주석하였고, 이를 기반으로 3D nnU-Net 딥러닝 모델을 학습시켰다. 모델 성능은 Dice 계수, 민감도, 정밀도와 같은 표준 지표 외에도, 경계 기반 지표(Hausdorff 거리, boundary F1 점수), 가중 Dice 계수를 통해 평가하였다. 세분화 기준 임계치는 0.5와 gray-level morphological normalization(GMN) 두 가지 방법으로 비교 분석하였다.

결과: 모델 개발 및 내부 검증을 위해 포함된 200명의 환자의 진단시 나이의 중간값은 58.2세였으며, 대부분은 FIGO IIIC기(49.5%) 또는 IVB기(28.0%)에서 진단되었고, 고등급 장액성 난소암(high-grade serous carcinoma)이 가장 흔한 조직형(77.5%)이었다. 외부 검증 코호트는 상피성 난소암 70명, 경계성 종양 20명, 병변이 없는 10명으로 구성되었다. 외부 검증에서 상피성 난소암 환자 중 42.0%는 고등급 장액성 난소암이었고, 약 절반이 FIGO IIIC–IVB기에 해당하였다. 외부 검증 코호트에서 모델의 성능은 내부 코호트보다 더 우수하였으며, GMN 임계값에서 분할 성능이 향상되었다. 외부 검증에서 Dice 계수는 86.96% ± 4.65%, 민감도는 92.68% ± 3.16%, 정밀도는 82.92% ± 5.51%였다. 가중 Dice 계수는 임계값에 관계없이 안정적으로 유지되었으며, 작은 병변의 탐지에서도 견고한 성능을 보였다. Hausdorff distance (95%)는 GMN 임계값에서 다소 증가하였으나, 경계 정확도는 수용 가능한 수준을 유지하였다.

결론: 본 연구에서는 난소암 환자의 CT 영상에서 복막전이를 자동으로 인식하고 분할하는 딥러닝 기반 알고리즘을 성공적으로 개발하고 검증하였다. 본 모델은 영상의학과 전문의의 판독을 보조하고, 임상에서 고위험 난소암 환자에 대한 영상 기반 수술계획 수립에 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• Introduction 1
• Methods 4
• Results 18
• Discussion 31
• References 38
• Abstract in Korean 45