[論文レビュー] Automated soft tissue lesion detection and segmentation in digital mammography using a u-net deep learning network

Timothy de Moor, Alejandro Rodríguez‐Ruiz+3 more|arXiv (Cornell University)|Feb 19, 2018

AI in cancer detection参考文献 5被引用数 23

ひとこと要約

本研究では、デジタル mammography における軟部組織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 U-Net 深層学習モデルを提案する。1検査あたり 7.81 個の偽陽性を伴いながらも 98% の感度を達成した。この手法はエンド・トゥ・エンド学習を活用して病変の局所化とセグメンテーションを実現し、縦断的病変追跡が可能な可能性を有する、コンピュータ支援診断システムのための改善された候補選定を提供する。

ABSTRACT

Computer-aided detection or decision support systems aim to improve breast cancer screening programs by helping radiologists to evaluate digital mammography (DM) exams. Commonly such methods proceed in two steps: selection of candidate regions for malignancy, and later classification as either malignant or not. In this study, we present a candidate detection method based on deep learning to automatically detect and additionally segment soft tissue lesions in DM. A database of DM exams (mostly bilateral and two views) was collected from our institutional archive. In total, 7196 DM exams (28294 DM images) acquired with systems from three different vendors (General Electric, Siemens, Hologic) were collected, of which 2883 contained malignant lesions verified with histopathology. Data was randomly split on an exam level into training (50\%), validation (10\%) and testing (40\%) of deep neural network with u-net architecture. The u-net classifies the image but also provides lesion segmentation. Free receiver operating characteristic (FROC) analysis was used to evaluate the model, on an image and on an exam level. On an image level, a maximum sensitivity of 0.94 at 7.93 false positives (FP) per image was achieved. Similarly, per exam a maximum sensitivity of 0.98 at 7.81 FP per image was achieved. In conclusion, the method could be used as a candidate selection model with high accuracy and with the additional information of lesion segmentation.

研究の動機と目的

• デジタル mammography における深層学習ベースの候補検出システムを開発し、感度を向上させるとともに偽陽性を低減する。
• 病変セグメンテーションを検出パイプラインに統合し、病変の変化を縦断的にモニタリングすることを支援する。
• FROC 分析を用いて、複数のベンダーおよび画像取得プロトコルにおいて性能を評価する。
• 読影者のばらつきや見逃しがんを是正するため、堅牢な自動検出フレームワークを提供する。
• 今後の研究において、トモマンスインセーションおよび合成 mammography へのモデルの拡張可能性を検討する。

提案手法

• U-Net アーキテクチャを、3 メーカー（General Electric、Siemens、Hologic）の 7,196 件の検査からなる 28,294 枚のデジタル mammography 画像上でエンド・トゥ・エンドに学習させた。
• 画像はエネルギー帯正規化、ガウスフィルタリング、200 µm へのダウンサンプリング、および [0,1] へのピクセルスケーリングを含む前処理を経た。
• Ground truth セグメンテーションは、生検で確認された悪性病変の手動アノテーションにより作成され、病変の中心は質量の中心として計算された。
• 候補検出は、U-Net の出力確率マップをさまざまな閾値 T で閾値処理し、1.5 cm 以内に位置する候補をクラスタリングすることで冗長性を低減した。
• 性能評価には FROC 分析が用いられた。病変が正しく検出されたとは、病変の質量の中心から 1.5 cm 以内に候補が存在した場合と定義した。
• モデルは 50% の検査で学習し、10% で検証し、残りの 40% でテストした。性能は画像レベルおよび検査レベルの両方の FROC 曲線で評価された。

実験結果

リサーチクエスチョン

• RQ1 U-Net ベースの深層学習モデルは、デジタル mammography における軟部組織病変の検出において高い感度を達成するとともに、正確な病変セグメンテーションを提供できるか？
• RQ2 このモデルの性能は、異なる mammography ベンダーおよび画像取得プロトコルにおいてどのように変動するか？
• RQ3 セグメンテーションの統合により、候補検出の信頼性が向上し、縦断的病変追跡が可能になるか？
• RQ4 実際のスクリーニング環境において、感度と偽陽性率のトレードオフはどのようなものか？
• RQ5 このモデルは、今後の研究において、デジタル乳房トモマンスインセーションや合成 mammography などの他の画像モodalities へ拡張可能か？

主な発見

• 画像ベースの FROC 分析において、最大感度 0.94 を 1 枚あたり 7.93 個の偽陽性で達成した。
• 検査レベルでは、最大感度 0.98 を 1 枚あたり 7.81 個の偽陽性で達成し、がんを含む検査の検出性能が優れていることが示された。
• U-Net モデルは病変の検出およびセグメンテーションに成功し、破片化した形態を示す浸潤性ローブカルシノーマのような困難な症例も含めて検出できた。
• 異なるベンダー間で堅牢な性能を示したが、システム間での性能ばらつきは依然として制限要因である。
• 一部の病変は、1 視野（例：CC 視野）では見逃されても、他の視野（例：MLO 視野）では検出されたため、複数視野間の相関が必要であることが示された。
• セグメンテーションの統合により、病変の増大や形態的変化を時間経過でモニタリングする可能性が得られ、より良好なコンピュータ支援診断の支援が可能になる。