[論文レビュー] A New 2.5D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations

Holger R. Roth, Le Lü+7 more|arXiv (Cornell University)|Jun 6, 2014

AI in cancer detection参考文献 17被引用数 416

ひとこと要約

本論文では、3次元ボリュームオブインタレスト（VOI）からランダムに選択された100の2次元再形成ビュー（軸方向、冠状方向、矢状方向）を生成することで、CTスキャンにおけるリンパ節（LN）検出のための2.5次元ディープラーニング手法を提案する。この手法により、Convolutional Neural Network（CNN）を用いて誤検出を低減する。1つのVOIに対して100のランダムビューを用い、その予測値を平均化することで、縦隔領域では1体積あたり3つの誤検出で70%の感度を達成し、腹部領域では83%の感度を達成した。これは、従来の最先端手法に比べ顕著に優れた性能を示している。

ABSTRACT

Automated Lymph Node (LN) detection is an important clinical diagnostic task but very challenging due to the low contrast of surrounding structures in Computed Tomography (CT) and to their varying sizes, poses, shapes and sparsely distributed locations. State-of-the-art studies show the performance range of 52.9% sensitivity at 3.1 false-positives per volume (FP/vol.), or 60.9% at 6.1 FP/vol. for mediastinal LN, by one-shot boosting on 3D HAAR features. In this paper, we first operate a preliminary candidate generation stage, towards 100% sensitivity at the cost of high FP levels (40 per patient), to harvest volumes of interest (VOI). Our 2.5D approach consequently decomposes any 3D VOI by resampling 2D reformatted orthogonal views N times, via scale, random translations, and rotations with respect to the VOI centroid coordinates. These random views are then used to train a deep Convolutional Neural Network (CNN) classifier. In testing, the CNN is employed to assign LN probabilities for all N random views that can be simply averaged (as a set) to compute the final classification probability per VOI. We validate the approach on two datasets: 90 CT volumes with 388 mediastinal LNs and 86 patients with 595 abdominal LNs. We achieve sensitivities of 70%/83% at 3 FP/vol. and 84%/90% at 6 FP/vol. in mediastinum and abdomen respectively, which drastically improves over the previous state-of-the-art work.

研究の動機と目的

• 低コントラストで外観が多様なCTスキャンからの自動リンパ節（LN）検出における高い誤検出率という課題に対処すること。
• 臨床的に許容可能な誤検出率（FP/体積）を維持しつつ、縦隔および腹部LNの検出感度を向上させること。
• 標準的な2次元CNNを用いて3次元オブジェクト分類を効果的に行えるようにする2.5次元表現の開発。
• 初期のCADeシステム（感度約100%、1患者あたり約40個の誤検出）から、臨床的に実用可能な水準に誤検出数を削減すること。

提案手法

• 予備のCADeシステムが、感度約94–97%、誤検出数約25–35個/体積のLN候補を生成し、本手法の入力として用いる。
• 各3次元VOIは、ランダムスケーリング（4スケール）、3次元トランスレーション（最大3 mm）、およびランダム軸周りの回転（0°–360°）を用いてN = 100個のランダム2次元画像パッチに再サンプリングされる。
• 各2次元パッチは、VOI中心を通る軸方向、冠状方向、矢状方向のスライスをそれぞれR、G、Bチャンネルに割り当てることで作成される。
• データオーグメンテーションとしてランダム変換を適用することで過学習を防ぎつつ、これらの3チャンネル2次元パッチ上で深層CNNを訓練し、各パッチをLNまたは非LNに分類する。
• 推論時、各VOIのすべてのN個のランダムビューに対するCNNの予測確率が算出され、それらを平均化して各候補の最終分類確率を算出する。
• 最終的な意思決定閾値を調整してFROC曲線を生成し、自由応答ROC分析を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 3次元CNNや2次元手法と比較して、3次元VOIのランダム2次元再形成ビューを用いた2.5次元表現は、リンパ節検出の感度を向上させるとともに誤検出数を削減できるか？
• RQ2 ランダムスケーリング、トランスレーション、回転によるデータオーグメンテーションは、低コントラストCTスキャンにおけるLN分類のCNN一般化性能を向上させるのにどの程度有効か？
• RQ3 同じ3次元VOIの複数のランダム2次元ビューからの予測値を平均化することは、単一ビューまたはアンサンブル手法と比較して分類性能を向上させるか？
• RQ4 縦隔および腹部LNの両方のデータを同時に学習させた1つのCNNモデルは、別々のモデルを用いる場合と比較して一般化性能および性能を向上させるか？
• RQ5 本手法のトレーニングおよび推論時間を考慮すると、臨床応用に向けた計算効率およびスケーラビリティは十分に確保されているか？

主な発見

• 縦隔領域では、1体積あたり3つの誤検出で70%の感度を達成した。これは、従来の最先端手法（1体積あたり3.1誤検出で52.9%の感度）に比べ顕著な改善である。
• 腹部領域では、1体積あたり3つの誤検出で83%の感度を達成した。これは、従来の最高成績（1体積あたり13.0誤検出で70.5%の感度）を上回っている。
• ROC曲線下の面積（AUC）は、腹部領域で0.76から0.942に向上し、分類性能の著しい向上が示された。
• FROC曲線はN ≥ 25のランダムビューで急速に飽和し、中程度の増幅（N = 100）がこの設定において最適であることが示された。
• 縦隔および腹部の両データを統合して学習させたことで、縦隔領域の感度が1体積あたり3つの誤検出で約10%向上した。これは、より大規模で多様なトレーニングデータが一般化性能に寄与することを示している。
• 単純なCNN予測値の平均化が、より複雑な融合戦略を上回る性能を示した。これは、深層CNNが高品質で一貫性のある予測を生成できていることを示している。