[論文レビュー] Benign-Malignant Lung Nodule Classification with Geometric and Appearance Histogram Features

Tizita Nesibu Shewaye, Alhayat Ali Mekonnen|arXiv (Cornell University)|May 26, 2016

Lung Cancer Diagnosis and Treatment参考文献 11被引用数 26

ひとこと要約

本稿では、CT画像からの幾何的特徴および外観ヒストグラム特徴を用いた自動肺結節分類システムを提案する。非線形分類器（AdaBoost やランダムフォレスト）を組み合わせ、LIDC-IDRI データセットの未観測テストデータにおいて、悪性結節で82%の感度、良性結節で93%の特異度を達成した。

ABSTRACT

Lung cancer accounts for the highest number of cancer deaths globally. Early diagnosis of lung nodules is very important to reduce the mortality rate of patients by improving the diagnosis and treatment of lung cancer. This work proposes an automated system to classify lung nodules as malignant and benign in CT images. It presents extensive experimental results using a combination of geometric and histogram lung nodule image features and different linear and non-linear discriminant classifiers. The proposed approach is experimentally validated on the LIDC-IDRI public lung cancer screening thoracic computed tomography (CT) dataset containing nodule level diagnostic data. The obtained results are very encouraging correctly classifying 82% of malignant and 93% of benign nodules on unseen test data at best.

研究の動機と目的

• CTスキャンにおける良性と悪性肺結節を自動的に区別するためのシステムを開発し、早期肺がん診断を支援すること。
• 分類性能の向上を図るため、幾何的特徴と外観ベースの画像特徴を組み合わせる有効性を検証すること。
• 均質でない特徴集合に対して線形および非線形分類器を適用した場合の性能を、良性・悪性結節の識別に応用して評価すること。
• 肺結節レベルの診断アノテーションが付与された公開済みのLIDC-IDRIデータセットを用いて、アプローチの妥当性を検証すること。
• 機械学習ベースのコンピュータ支援診断（CADx）により、診断精度を向上させるとともに、放射線科医の作業負荷を軽減すること。

提案手法

• CT画像内のセグメンテーション済み肺結節から、体積、面積、直径、球形度などの幾何的特徴を抽出した。
• 結節領域からのグレーレベルヒストグラムおよびオントローディレクトグラデントヒストグラム特徴を計算し、強度およびテクスチャパターンを捉えた。
• すべての特徴に対して平均および分散正規化を適用し、最適な分類器性能を得るために正規分布を確保した。
• ハイパーパramータチューニングのため、5分割交差検証戦略を採用し、最終的な再トレーニングを全トレーニングセットで実施した。
• 5つの分類器（ロジスティック回帰、線形SVM、K-NN、AdaBoost、ランダムフォレスト）を、統合された特徴セットを用いて評価した。
• AUC、感度、特異度、正解度、Fスコアの指標を用いて、ホールドアウトテストセットでの最終評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 幾何的特徴と外観ヒストグラム特徴の組み合わせは、良性・悪性肺結節分類の精度を向上させることができるか？
• RQ2 線形特徴と非線形特徴を組み合わせた均質でない画像特徴に対して、線形分類器と非線形分類器の性能はどのように異なるか？
• RQ3 伝統的な線形モデルと比較して、AdaBoost やランダムフォレストのようなアンサンブル手法は分類性能にどのような影響を与えるか？
• RQ4 提案された特徴および分類器は、LIDC-IDRI データセットの未観測データにどの程度一般化可能か？
• RQ5 同じベンチマークデータセットにおいて、提案手法の性能は最先端手法と比較してどう異なるか？

主な発見

• AdaBoost分類器が最高のAUC（0.94）を達成し、テストセットにおける優れた識別性能を示した。
• 最高性能を示したシステムは、未観測テストデータにおいて悪性結節の82%、良性結節の93%を正しく分類した。
• 特にAdaBoostとランダムフォレストを含む非線形分類器は、ロジスティック回帰や線形SVMといった線形分類器を顕著に上回った。
• 幾何的特徴、グレーレベルヒストグラム、オントローディレクトグラデントヒストグラム特徴を統合した均質でない特徴セットは、個々の特徴タイプよりも高い精度を達成した。
• Kumarら[10]および[9]が報告した先行の最先端手法と比較して、それぞれ9%および6%の正解度向上を達成した。
• AdaBoostを用いることでFスコアが顕著に向上（0.87）し、両クラスにおける適合率と再現率のバランスが良好であった。