[論文レビュー] A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks

Ruqian Hao, Khashayar Namdar+3 more|arXiv (Cornell University)|Jun 1, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 25被引用数 4

ひとこと要約

本研究では、2次元畳み込みニューラルネットワークを用いて、前立腺がん検出のための拡散画像強調MRI（DW-MRI）に対して、5つのデータ拡張技術—ランダム回転、水平フリップ、垂直フリップ、ランダムクロップ、およびトランスレーション—を評価した。回転拡張が浅いCNNでAUC 0.85を達成し、より深いアーキテクチャーや他の拡張戦略を上回った。テストセットは95例で構成された。

ABSTRACT

Data augmentation refers to a group of techniques whose goal is to battle limited amount of available data to improve model generalization and push sample distribution toward the true distribution. While different augmentation strategies and their combinations have been investigated for various computer vision tasks in the context of deep learning, a specific work in the domain of medical imaging is rare and to the best of our knowledge, there has been no dedicated work on exploring the effects of various augmentation methods on the performance of deep learning models in prostate cancer detection. In this work, we have statically applied five most frequently used augmentation techniques (random rotation, horizontal flip, vertical flip, random crop, and translation) to prostate Diffusion-weighted Magnetic Resonance Imaging training dataset of 217 patients separately and evaluated the effect of each method on the accuracy of prostate cancer detection. The augmentation algorithms were applied independently to each data channel and a shallow as well as a deep Convolutional Neural Network (CNN) were trained on the five augmented sets separately. We used Area Under Receiver Operating Characteristic (ROC) curve (AUC) to evaluate the performance of the trained CNNs on a separate test set of 95 patients, using a validation set of 102 patients for finetuning. The shallow network outperformed the deep network with the best 2D slice-based AUC of 0.85 obtained by the rotation method.

研究の動機と目的

• 拡散画像強調MRIからの前立腺がん検出における深層学習性能に与えるさまざまなデータ拡張戦略の影響を調査すること。
• 回転、フリップ、クロップ、トランスレーションといった一般的な拡張技術の有効性を、モデルの一般化性能および精度の観点から比較すること。
• 医療画像で一般的な低データ環境において、拡張が性能向上に寄与するかどうかを評価すること。
• さまざまな拡張スキーム下での浅いおよび深いCNNアーキテクチャの性能を評価すること。
• 臨床的MRI分類タスクにおけるAUCを最大化する最適な拡張戦略を特定すること。

提案手法

• 217例のDW-MRIデータセットに対して、5つの標準的なデータ拡張技術—ランダム回転、水平フリップ、垂直フリップ、ランダムクロップ、およびトランスレーション—を個別に適用した。
• マルチパラメトリックMRIの特性を保つために、各データチャネルに対して独立して拡張を適用した。
• 各5つの拡張データセットに対して、浅いおよび深い畳み込みニューラルネットワーク（CNN）を別々に訓練した。
• ハイパーパramータチューニングおよびモデル選択のため、102例のバリデーションセットを用いた。
• AUC（受信器操作特性曲線下の面積）を主な指標として用い、保持されたテストセット（95例）で最終モデルを評価した。
• すべての拡張およびネットワーク設定間で、一貫したトレーニングおよび評価プロトコルを確保した。

実験結果

リサーチクエスチョン

• RQ1 どのデータ拡張技術が、DW-MRIからの前立腺がん検出において最高の分類性能を達成するか？
• RQ2 さまざまな拡張戦略は、低データ医療画像設定におけるCNNの一般化および耐性にどのように影響するか？
• RQ3 このタスクにおいて、データ拡張を組み合わせた場合、浅いCNNの性能がより深いアーキテクチャーよりも優れているか？
• RQ4 個々の拡張手法は、ベースラインモデルに対するAUC向上の観点で、どのように比較されるか？
• RQ5 この特定の医療画像アプリケーションにおいて、拡張とネットワークの深さに相乗効果が見られるか？

主な発見

• 回転拡張戦略が、テストセットで2次元スライスベースのAUC 0.85を達成し、他のすべての拡張技術を上回った。
• 浅いCNNアーキテクチャがより高い性能を示し、回転拡張を用いた場合に最高のAUC 0.85を達成した。
• 水平および垂直フリップは、回転よりも低いAUC値を示し、DW-MRIにおける診断的特徴を保存する上で限定的な利点しか示さなかった。
• ランダムクロップおよびトランスレーション拡張は中程度の性能を示したが、効果性において回転を上回らなかった。
• 回転拡張と浅いCNNの組み合わせが、最も強固で正確な分類性能を提供した。
• 本研究では、単純で静的な拡張戦略が、低データ医療画像シナリオにおけるモデル性能を顕著に向上させられることを示した。