[論文レビュー] Automated non-mass enhancing lesion detection and segmentation in breast DCE-MRI

I. Álvarez, Javier Ramı́rez+3 more|arXiv (Cornell University)|Mar 12, 2018

Blind Source Separation Techniques被引用数 1

ひとこと要約

本論文は、独立成分分析（ICA）を用いて動的組織特性を抽出し、サポートベクターマシン（SVM）を用いてボクセル単位の分類を行うことで、乳腺DCE-MRIにおける非質量強調（NME）病変の自動検出およびセグメンテーションを目的とした新規CADシステムを提案する。新しい画像をICA由来のソース空間に投影し、SVMの超平面を最適化することで、誤検出を著しく低減し、DSCが0.7215に達した。

ABSTRACT

Non-mass enhancing lesions (NME) constitute a diagnostic challenge in dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) of the breast. Computer Aided Diagnosis (CAD) systems provide physicians with advanced tools for analysis, assessment and evaluation that have a significant impact on the diagnostic performance. Here, we propose a new approach for the specific problem of NME detection and segmentation, by taking advantage of independent component analysis (ICA) to extract a data-driven dynamic characterization of tissue. A set of independent sources was obtained from a dataset of patients, and the dynamic behavior of the different tissues was described by multiple dynamic curves, together with a set of eigenimages describing the scores for each voxel. A new test image is projected onto the independent source space using the unmixing matrix, and each voxel is classified by a support vector machine (SVM) that has already been trained with manually delineated data. A solution to the high false positive rate problem is proposed by controlling the SVM hyperplane location. The CAD system is trained and validated, reaching a DSC coefficient of 0.7215 for NME segmentation.

研究の動機と目的

• 従来の手法では検出およびセグメンテーションが困難な、乳腺DCE-MRIにおける非質量強調（NME）病変の診断的課題に対処すること。
• 独立成分分析（ICA）を用いた動的組織強調パターンのデータ駆動的特徴化を目的としたDCE-MRIへの応用。
• ICA分解から得られる動的カーブおよびエイゲンイメージを活用することで、NME病変のセグメンテーション精度を向上させること。
• トレーニングデータに基づく適応的SVM超平面制御により、NME病変検出における誤検出率を低減すること。
• 臨床データを用いた妥当性評価を通じて、Dice類似係数（DSC）で測定される高いセグメンテーション性能を達成すること。

提案手法

• DCE-MRIスキャンのデータセットに独立成分分析（ICA）を適用し、動的組織強調パターンを表す独立したソースの集合を抽出する。
• 各独立ソースは、動的カーブおよびボクセル全体における対応する組織行動の空間スコアを符号化するエイゲンイメージに関連付ける。
• 新しいテスト画像に対しては、トレーニングデータから導出されたアンミックス行列を用いて、画像を独立ソース空間に投影し、各ボクセルごとの動的組織特徴を特定可能にする。
• 手動で輪郭が描画されたNME病変をトレーニングデータとして用いたサポートベクターマシン（SVM）分類器が、投影された動的特徴に基づきボクセル単位の分類を実行する。
• 決定境界を制御し、誤検出を低減するための新規な超平面調整戦略を導入する。
• 性能はDice類似係数（DSC）を用いて臨床データセットを用いて妥当性評価される。

実験結果

リサーチクエスチョン

• RQ1 ICAは、DCE-MRIデータから動的組織強調パターンを効果的に抽出でき、NME病変の特徴化を支援できるか？
• RQ2 ICAから得られるデータ駆動的表現は、DCE-MRIにおけるNME病変セグメンテーションの精度を向上させることができるか？
• RQ3 ICA由来の特徴に基づくSVM分類は、従来のCAD手法と比較して、セグメンテーション性能および誤検出率の面で優れているか？
• RQ4 SVM分類器における超平面最適化は、NME病変セグメンテーションにおける誤検出を著しく低減できるか？
• RQ5 提案されたCADシステムの実現可能なセグメンテーション精度は、Dice類似係数（DSC）で測定するとどの程度か？

主な発見

• 提案されたCADシステムは、NME病変セグメンテーションにおいてDice類似係数（DSC）が0.7215に達し、手動輪郭との強い一致を示した。
• ICAは、乳腺全体における組織強調行動を効果的に記述する複数の独立した動的カーブおよびエイゲンイメージを成功裏に抽出した。
• ICA由来の動的特徴とSVM分類の統合により、ベースライン手法と比較して病変検出性能が向上した。
• 超平面制御機構により、誤検出率が著しく低減され、診断の信頼性が向上した。
• 本システムは臨床的DCE-MRIデータにおいても頑健な性能を示し、臨床応用におけるCADの可能性を裏付けた。
• 本手法は、正確で再現性のあるNME病変セグメンテーションを支援するデータ駆動的で動的な組織特徴化を提供する。