[論文レビュー] Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction

Shuo Wang, Chengliang Dai+4 more|arXiv (Cornell University)|Nov 19, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 17被引用数 6

ひとこと要約

本論文は、3次元U-Netと注意メカニズムを用いた深層学習フレームワークを提案し、多モodal MRIを用いた脳腫瘍の自動セグメンテーションを実現した。その後、拡散方程式から導出された腫瘍浸潤性特徴を用いた生体力学的ガイダンス付き予後予測モデルを構築した。この手法はMICCAI 2019 BraTS生存予測チャレンジで2位を獲得し、テスト精度0.56を達成した。これは、生理学的に解釈可能な特徴を活用することで、データ駆動型ラジオミクス手法に比べ優れた性能を発揮したことを示している。

ABSTRACT

Gliomas are the most common malignant brain tumourswith intrinsic heterogeneity. Accurate segmentation of gliomas and theirsub-regions on multi-parametric magnetic resonance images (mpMRI)is of great clinical importance, which defines tumour size, shape andappearance and provides abundant information for preoperative diag-nosis, treatment planning and survival prediction. Recent developmentson deep learning have significantly improved the performance of auto-mated medical image segmentation. In this paper, we compare severalstate-of-the-art convolutional neural network models for brain tumourimage segmentation. Based on the ensembled segmentation, we presenta biophysics-guided prognostic model for patient overall survival predic-tion which outperforms a data-driven radiomics approach. Our methodwon the second place of the MICCAI 2019 BraTS Challenge for theoverall survival prediction.

研究の動機と目的

• 多モーダルMRIにおける膠腫瘍亜領域（NCR、NET、ET、ED）の自動セグメンテーションを、深層学習を用いて向上させること。
• 画像特徴と生体力学的原則を統合した、頑健な生存予測モデルの構築。
• 再現性が低く解釈不能なデータ駆動型ラジオミクスの限界を克服すること。
• 腫瘍成長ダイナミクスを特徴工学に組み込むことで、予後予測の精度を向上させること。
• BraTS 2019データセットを用いてモデルを検証し、最先端手法と比較すること。

提案手法

• BraTS 2019データセットを用い、T1、T1Gd、T2、T2-FLAIRシーケンスを用いて、3次元U-Netおよび3次元U-Netにアテンションゲートを追加したUNet-ATを用いて腫瘍亜領域セグメンテーションを訓練した。
• 一般化性能を向上させるために、zスコア正規化とデータ拡張（回転、反転、スケーリング）を適用した。
• 複数のモデルをアンサンブル学習することでバイアスを低減し、セグメンテーションの頑健性を向上させた。
• 腫瘍体積、境界長、および腫瘍成長の拡散方程式から導出された「放射線的浸潤性係数（RIC）」を含む腫瘍特徴を定義した。
• 年齢とRICを予測変数として用い、線形回帰を用いて生存期間を予測する生体力学的ガイダンス付き予後予測モデルを構築した。
• 交差検証と独立したテストセットを用いて特徴選択とモデル評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 アテンションメカニズムと最適化された損失関数は、多モーダルMRIにおける3次元脳腫瘍セグメンテーション性能を向上させることができるか？
• RQ2 生体力学的ガイダンス付き特徴（RIC）は、データ駆動型ラジオミクス特徴よりも膠腫瘍患者の生存予測において優れた性能を示すか？
• RQ3 解釈可能で生理学的根拠を持つモデルは、完全にデータ駆動型のアプローチに比べてより優れた一般化性能を示すか？
• RQ4 腫瘍境界ダイナミクス（浸潤性）の組み込みは、生存予測精度にどのように影響を与えるか？
• RQ5 アンサンブルモデルとポストプロセッシングの影響は、セグメンテーションおよび下流の予測性能にどのように現れるか？

主な発見

• 3次元U-NetとUNet-ATのアンサンブルモデルは高いセグメンテーション性能を達成したが、BraTS 2019テストセットでは上位3位には入らなかった。
• 生体力学的ガイダンス付き浸潤性モデルは、テストセット精度0.56を達成し、MICCAI 2019 BraTS生存予測チャレンジで2位を獲得した。
• 独立した検証セットにおいて、ベースライン（精度0.45）およびデータ駆動型ラジオミクスモデル（精度0.48）を上回る性能を示した。
• 拡散方程式から導出されたRIC特徴は、161個のラジオミクス特徴よりも予測能が高く、生体力学的事前知識の価値を示した。
• ラジオミクスモデルは一般化性能が低く、侵襲誤差（MSE）と平均二乗誤差（mSE）が浸潤性モデルよりも高かったため、過学習のリスクが示唆された。
• 残差誤差は非対称で、短期および長期生存患者に対して大きな誤差が生じており、今後の研究では重み付き損失関数やデータ変換の導入が求められる。