[論文レビュー] Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks

Jia Ding, Aoxue Li+2 more|arXiv (Cornell University)|Jun 14, 2017

Lung Cancer Diagnosis and Treatment参考文献 4被引用数 50

ひとこと要約

この論文は、軸切片上の結節候補検出のためのデコンボリューション型 Faster R-CNN を用いた2段階 CAD システムを提案し、続く3D DCNN による偽陽性低減で、LUNA16 でトップの結果を達成している。

ABSTRACT

Early detection of pulmonary cancer is the most promising way to enhance a patient's chance for survival. Accurate pulmonary nodule detection in computed tomography (CT) images is a crucial step in diagnosing pulmonary cancer. In this paper, inspired by the successful use of deep convolutional neural networks (DCNNs) in natural image recognition, we propose a novel pulmonary nodule detection approach based on DCNNs. We first introduce a deconvolutional structure to Faster Region-based Convolutional Neural Network (Faster R-CNN) for candidate detection on axial slices. Then, a three-dimensional DCNN is presented for the subsequent false positive reduction. Experimental results of the LUng Nodule Analysis 2016 (LUNA16) Challenge demonstrate the superior detection performance of the proposed approach on nodule detection(average FROC-score of 0.891, ranking the 1st place over all submitted results).

研究の動機と目的

• 2D の候補検出と3Dの偽陽性低減を組み合わせることで、CTにおける肺結節検出を改善する。
• 結節と偽陽性の識別を改善するために3Dの文脈情報を取り込む。
• LUNA16データセットで最先端の性能を示す。
• デコンボリューションが小さな結節の特徴表現を強化することを示す。
• 臨床での使用閾値（1–4 FP/スキャン）に適した実用的なCADフレームワークを提供する。

提案手法

• 軸切片CTにおける小さな結節をよりよく検出するために、デコンボリューション層を追加した Faster R-CNN を拡張する。
• 結節のスケールに合わせてサイズ4x4から32x32の6つのアンカーを使用する。
• 分類と境界ボックス回帰を含む多項の損失でRPNとROI分類子を共同訓練する。
• ROIプールと2x4096のFC分類器/回帰器を適用してROIを精練する。
• 候補中心の周囲から40x40x24パッチを切り出し、3D DCNNベースの偽陽性低減を行う。
• データ拡張には切り出し、三軸方向の反転、重複バランスを含み、3D DCNNの訓練を行う。

実験結果

リサーチクエスチョン

• RQ1 軸切片CTにおける候補結節検出を改善するために、Faster R-CNNのデコンボリューション拡張は有効か。
• RQ2 3D DCNNを用いた3D文脈の組み込みは、2D手法と比較して偽陽性の低減を改善するか。
• RQ3 LUNA16データセットでの検出感度と1スキャンあたりの偽陽性数に対する全体的な効果はどうなるか。
• RQ4 アンカーの設定が、様々なサイズの結節候補検出の性能にどのように影響するか。

主な発見

• LUNA16 NDET で平均 FROC スコア 0.891 を達成し、提出結果の中で第1位にランクイン。
• 候補検出感度は0.946、1スキャンあたり15.0件の候補。
• 3D DCNNを用いた偽陽性低減は、2Dアプローチ（NINベースライン）をFP低減で上回る。
• デコンボリュレーションを用いた2D候補検出は、デコンボを持たないベースラインおよびより少ないアンカーの構成と比較して性能を向上させる。
• システム感度は、1 FP/スキャンで92.2%、4 FP/スキャンで94.4%に達する。