[論文レビュー] 2.75D Convolutional Neural Network for Pulmonary Nodule Classification in Chest CT.

Ruisheng Su, Hui Xie+1 more|arXiv (Cornell University)|Feb 11, 2020

Lung Cancer Diagnosis and Treatment参考文献 20被引用数 2

ひとこと要約

本論文は、気管支肺胞癌のCT画像における肺結節分類のための2.75次元畳み込みニューラルネットワークを提案する。この手法は、結節中心から螺旋走査による放射状投影を用いて、3次元空間的文脈を包括的に捉える。3次元ネットワークと比較してメモリ使用量を削減しながら、2次元および2.5次元ベースラインを上回る性能を達成し、LUNA16データセットにおいて高速な学習および推論を可能にした。

ABSTRACT

Early detection and classification of pulmonary nodules in Chest Computed tomography (CT) images is an essential step for effective treatment of lung cancer. However, due to the large volume of CT data, finding nodules in chest CT is a time consuming thus error prone task for radiologists. Benefited from the recent advances in Convolutional Neural Networks (ConvNets), many algorithms based on ConvNets for automatic nodule detection have been proposed. According to the data representation in their input, these algorithms can be further categorized into: 2D, 3D and 2.5D which uses a combination of 2D images to approximate 3D information. Leveraging 3D spatial and contextual information, the method using 3D input generally outperform that based on 2D or 2.5D input, whereas its large memory footprints becomes the bottleneck for many applications. In this paper, we propose a novel 2D data representation of a 3D CT volume, which is constructed by spiral scanning a set of radials originated from the 3D volume center, referred to as the 2.75D. Comparing to the 2.5D, the 2.75D representation captures omni-directional spatial information of a 3D volume. Based on 2.75D representation of 3D nodule candidates in Chest CT, we train a convolutional neural network to perform the false positive reduction in the nodule detection pipeline. We evaluate the nodule false positive reduction system on the LUNA16 data set which contains 1186 nodules out of 551,065 candidates. By comparing 2.75D with 2D, 2.5D and 3D, we show that our system using 2.75D input outperforms 2D and 2.5D, yet slightly inferior to the systems using 3D input. The proposed strategy dramatically reduces the memory consumption thus allow fast inference and training by enabling larger number of batches comparing to the methods using 3D input.

研究の動機と目的

• 胸部CTにおける肺結節分類のための3次元畳み込みネットワークの高いメモリ消費量という課題に対処すること。
• 2.5次元手法よりも豊かな空間的文脈を活用することで、結節検出パイプラインにおける誤検出の低減を改善すること。
• 2次元投影を用いて3次元の包括的空間情報を捉えるデータ表現を構築すること。
• 3次元入力手法と比較してメモリフットプリントを低減することで、より高速な学習および推論を可能にすること。
• LUNA16データセット上で、提案された2.75次元表現を2次元、2.5次元、3次元ベースラインと直接比較して評価すること。

提案手法

• 2.75次元表現は、3次元の結節候補の中心から螺旋走査を実行し、包括的な空間的文脈を保持する放射状投影を生成することで構築される。
• 各2.75次元入力は、結節中心から発する放射線に沿ってサンプリングされた2次元画像の集合であり、効果的に2次元形式での3次元構造の近似を実現する。
• この2.75次元入力上で3次元に類似した畳み込みネットワークを学習させ、結節の分類と検出パイプラインにおける誤検出の低減を実現する。
• 3次元入力と比較してメモリ消費量が低減するため、学習時のミニバッチサイズをより大きくできる。
• モデルは、全551,065個の候補のうち1,186個の真の結節を含むLUNA16データセットで評価された。
• 誤検出低減のための標準指標を用いて、2次元、2.5次元、3次元入力ベースのモデルと直接比較した。

実験結果

リサーチクエスチョン

• RQ1 2.75次元データ表現は、2.5次元手法よりも包括的な3次元空間的文脈を捉えられると同時に、低メモリ使用量を維持できるか？
• RQ2 2.75次元表現は、2次元、2.5次元、3次元入力手法と比較して、肺結節における誤検出低減性能でどのように差をつけるか？
• RQ3 2.75次元アプローチは、3次元ネットワークと比較して、どれほどメモリ消費量を低減し、学習／推論速度を向上できるか？
• RQ4 提案手法は、3次元モデルに近い性能を達成しながら、実世界の導入に実用的であると見なせるか？
• RQ5 2.75次元表現は、学習時のバッチサイズを拡大でき、収束の安定性と速度を向上させるか？

主な発見

• 2.75次元表現は、LUNA16データセットにおいて2次元および2.5次元手法よりも誤検出低減性能が優れている。
• 提案された2.75次元モデルは、3次元入力ベースのモデルの性能にわずかに劣るが、顕著に低いメモリ使用量を実現している。
• 低メモリフットプリントのおかげで、3次元ベースのアプローチよりも高速な学習および推論が可能となり、より大きなバッチサイズが利用可能である。
• 螺旋走査による放射状投影は、3次元ボリュームからの包括的空間情報の2次元形式への効果的な捕捉を実現している。
• 2.75次元アプローチは、性能と効率の間で良好なバランスを実現しており、臨床現場における実用的導入に適している。
• モデルはLUNA16ベンチマークにおいて優れた一般化性能を示し、新規データ表現の有効性を裏付けた。