[論文レビュー] A Pulmonary Nodule Detection Model Based on Progressive Resolution and Hierarchical Saliency

Junjie Zhang, Yong Xia+1 more|arXiv (Cornell University)|Jul 2, 2018

Lung Cancer Diagnosis and Treatment参考文献 11被引用数 3

ひとこと要約

本論文は、胸部CTスキャンにおける肺結節検出のための2段階のディーブラーニングフレームワークを提案する。まず3次元の段階的解像度に基づく完全畳み込みネットワーク（PRN）を用いて候補を検出し、次に階層的サリエンス3次元CNN（HSN）を用いて真の結節を分類し、その直径を推定する。この手法はLUNA16ベンチマークで0.958のFROCスコアを達成し、リーダーボード上に掲載されたすべての先行研究を上回った。

ABSTRACT

Detection of pulmonary nodules on chest CT is an essential step in the early diagnosis of lung cancer, which is critical for best patient care. Although a number of computer-aided nodule detection methods have been published in the literature, these methods still have two major drawbacks: missing out true nodules during the detection of nodule candidates and less-accurate identification of nodules from non-nodule. In this paper, we propose an automated pulmonary nodule detection algorithm that jointly combines progressive resolution and hierarchical saliency. Specifically, we design a 3D progressive resolution-based densely dilated FCN, namely the progressive resolution network (PRN), to detect nodule candidates inside the lung, and construct a densely dilated 3D CNN with hierarchical saliency, namely the hierarchical saliency network (HSN), to simultaneously identify genuine nodules from those candidates and estimate the diameters of nodules. We evaluated our algorithm on the benchmark LUng Nodule Analysis 2016 (LUNA16) dataset and achieved a state-of-the-art detection score. Our results suggest that the proposed algorithm can effectively detect pulmonary nodules on chest CT and accurately estimate their diameters.

研究の動機と目的

• 既存のCADeシステムが真の結節を漏れなく検出できないこと、非結節を誤って分類してしまうという限界を是正すること。
• マルチスケールで段階的解像度特徴学習を活用することで、結節候補の検出を向上させること。
• 3次元CNNにおける階層的サリエンス特徴を用いて、結節の検証と直径推定を強化すること。
• LUNA16ベンチマークデータセットで最先端の性能を達成すること。
• 臨床現場への導入に適した正確でリアルタイムな検出を可能にすること。

提案手法

• 段階的解像度ネットワーク（PRN）は、複数スケールの受容 field を備えた3次元密度拡張FCNを用い、さまざまな解像度で結節候補を検出する。
• 階層的サリエンスネットワーク（HSN）は、3次元CNNを用い、階層的特徴学習により候補を真の結節か否かに分類し、直径を推定する。
• HSNは、3次元トランジション層と3次元DDBブロックを用い、マルチレベルの文脈的特徴を捉える。
• 平均絶対誤差損失を用いた回帰ヘッドが結節の直径を推定し、結節の真正性を示す線形出力を用いた分類ヘッドが使用される。
• 回転および反転によるデータオーグメンテーションにより、陽性サンプルの多様性が向上し、トレーニング段階で陽性対陰性の比率を1:10に設定した。
• テストでは、肺領域全体に32×32×32ボクセルのスライディングウィンドウを適用し、増強された予測の多数決と平均化を用いて最終的な検出結果を得た。

実験結果

リサーチクエスチョン

• RQ1 段階的解像度戦略は、3次元CTスキャンにおける小規模で微細な肺結節候補の検出を向上させることができるか？
• RQ2 階層的サリエンス特徴は、3次元CNNにおいて真の結節と偽陽性を効果的に区別できるか？
• RQ3 候補検出と洗練された分類の併用は、ベンチマークデータセットにおける全体的な結節検出性能を向上させることができるか？
• RQ4 提案手法は、LUNA16データセットにおいて、既存の最先端手法を上回る優れた性能を達成できるか？
• RQ5 この手法は、リアルタイムの臨床現場での導入に十分な計算効率を備えているか？

主な発見

• 提案手法はLUNA16データセットでFROCスコア0.958を達成し、以前の最高記録0.951を上回った。
• 検出された結節と真の結節の直径差の平均絶対誤差は1.34 mmであり、サイズ推定の高精度を示した。
• 5 mm未満の小結節を効果的に検出でき、早期病変への感受性が確認された。
• HSNモデルは、階層的サリエンスを活用することで、結節と非結節組織の微細な視覚的差を明確に区別し、偽陽性を効果的に低減した。
• PRNのトレーニングは約18時間、HSNのトレーニングは約23時間で実施され、標準ハードウェア上では1スキャンあたり推論に約3分で完了した。
• LUNA16チャレンジのリーダーボード上、上位5位以内のすべてのエントリーを上回り、新たな最先端の結果を確立した。