[論文レビュー] Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning

Qi Dou, Hao Chen+4 more|arXiv (Cornell University)|Aug 13, 2017

Lung Cancer Diagnosis and Treatment参考文献 12被引用数 12

ひとこと要約

本稿では、低線量CTスキャンにおける肺結節の自動検出のための2段階の3D ConvNetフレームワークを提案する。トレーニングにおけるハード/イージーなサンプルの不均衡を解消するためにオンラインサンプルフィルタリングを用い、空間的およびサイズ情報を利用することで検出精度を向上させるハイブリッド損失残差ネットワークを採用する。この手法はLUNA16データセットでCMP 0.839を達成し、1スキャンあたり2 FPで90.6%の感受性を示し、最先端の手法を上回る性能を発揮した。

ABSTRACT

In this paper, we propose a novel framework with 3D convolutional networks (ConvNets) for automated detection of pulmonary nodules from low-dose CT scans, which is a challenging yet crucial task for lung cancer early diagnosis and treatment. Different from previous standard ConvNets, we try to tackle the severe hard/easy sample imbalance problem in medical datasets and explore the benefits of localized annotations to regularize the learning, and hence boost the performance of ConvNets to achieve more accurate detections. Our proposed framework consists of two stages: 1) candidate screening, and 2) false positive reduction. In the first stage, we establish a 3D fully convolutional network, effectively trained with an online sample filtering scheme, to sensitively and rapidly screen the nodule candidates. In the second stage, we design a hybrid-loss residual network which harnesses the location and size information as important cues to guide the nodule recognition procedure. Experimental results on the public large-scale LUNA16 dataset demonstrate superior performance of our proposed method compared with state-of-the-art approaches for the pulmonary nodule detection task.

研究の動機と目的

• 肺結節検出のための医療画像データセットにおける深刻なハード/イージーなサンプルの不均衡に対処すること。
• 局所化されたアノテーション（位置とサイズ）を監視信号として活用することで、検出精度を向上させること。
• 大規模な臨床スクリーニング応用に適した効率的でエンドツーエンドのフレームワークを開発すること。
• トレーニング中に動的かつリアルタイムのサンプル選択を実施することで、モデルの汎化性能と識別能力を向上させること。

提案手法

• 高損失（ハード）サンプルを優先してトレーニングするオンラインサンプルフィルタリング（OSF）方式を用いて、3D完全畳み込みネットワーク（FCN）をトレーニングし、モデルの識別能力を向上させる。
• 候補スクリーニング段階では、5つの畳み込み層と1つのマックスプーリング層を備えた3D FCNを用い、結節候補の検出のための3次元スコアボリュームを生成する。
• 誤検出の低減のため、位置と径の予測に二値交差エントロピーと回帰損失を組み合わせたハイブリッド損失残差ネットワークを設計する。
• ハイブリッド損失関数は分類と回帰の監視信号を統合し、ネットワークが結節の存在と解剖学的特徴の両方を学習できるようにする。
• フレームワークは完全畳み込み方式で全CTボリュームを処理でき、1スキャンあたり1分未満で高速な推論が可能である。
• モデルは標準的なFROCおよびCMP指標を用いて、公に提供されているLUNA16データセット上でトレーニングおよび評価された。

実験結果

リサーチクエスチョン

• RQ1 オンラインサンプルフィルタリングは、肺結節検出における深刻なクラス不均衡の状況下でモデル性能を向上させることができるか？
• RQ2 位置とサイズの局所化アノテーションを監視信号として組み込むことで、結節認識の正確性が向上するか？
• RQ3 ハイブリッド損失残差ネットワークは、標準的な分類ネットワークに比べて真の結節と類似結節を区別する能力に優れているか？
• RQ4 提案されたフレームワークは、感受性と誤検出率の観点から最先端の手法と比較してどのように優れているか？

主な発見

• 提案手法はLUNA16データセットでCMP 0.839を達成し、他のすべての最先端手法を上回った。
• 1スキャンあたり2つの誤検出を記録した場合、感受性は90.6%に達し、臨床応用における強力な適性を示した。
• オンラインサンプルフィルタリング方式により、スクリーニング感受性は94.3%から97.1%に向上し、誤検出数は1スキャンあたり286.2から219.1に削減された。
• ハイブリッド損失残差ネットワークは、1.0 FP/スキャンで90.5%の感受性を達成し、シンプルな深層ネットワーク（84.8%）と標準的な残差ネットワーク（86.7%）を顕著に上回った。
• アブレーションスタディの結果、オンラインサンプルフィルタリングとハイブリッド損失監視の両方が、独立的かつ相乗的に性能向上に寄与していることが確認された。
• フレームワークは1スキャンあたり1分未満で処理が可能であり、大規模なスクリーニングプログラムに適している。