[論文レビュー] Brain Tumor Detection using Swin Transformers

Prateek A. Meshram, Suraj Joshi+1 more|arXiv (Cornell University)|May 10, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本論文は、MRI画像における脳腫瘍の検出、分類、局在化、およびサイズ推定を自動化するためのスウィン変換器ベースのディープラーニングフレームワークを提案する。階層的自己注意メカニズムとパッチベースの特徴学習を活用することで、腫瘍の存在とサブタイプを高い精度で同定し、放射線科医の早期診断支援とリソース制限のある環境における作業負荷軽減に顕著な貢献が可能となる。

ABSTRACT

The first MRI scan was done in the year 1978 by researchers at EML Laboratories. As per an estimate, approximately 251,329 people died due to primary cancerous brain and CNS (Central Nervous System) Tumors in the year 2020. It has been recommended by various medical professionals that brain tumor detection at an early stage would help in saving many lives. Whenever radiologists deal with a brain MRI they try to diagnose it with the histological subtype which is quite subjective and here comes the major issue. Upon that, in developing countries like India, where there is 1 doctor for every 1151 people, the need for efficient diagnosis to help radiologists and doctors come into picture. In our approach, we aim to solve the problem using swin transformers and deep learning to detect, classify, locate and provide the size of the tumor in the particular MRI scan which would assist the doctors and radiologists in increasing their efficiency. At the end, the medics would be able to download the predictions and measures in a PDF (Portable Document Format). Keywords: brain tumor, transformers, classification, medical, deep learning, detection

研究の動機と目的

• 特に放射線科医が不足している地域における、MRI画像における脳腫瘍の早期かつ正確な検出の課題に対処すること。
• ディープラーニングを用いて客観的でデータ駆動の予測を提供することで、腫瘍診断における主観性を低減すること。
• 腫瘍の存在を検出し、ヒストロロジカルサブタイプを分類し、腫瘍を局在化し、サイズを推定する自動化されたシステムの開発。
• 臨床利用を想定した予測結果および測定値を含むダウンロード可能なPDFレポートを放射線科医に提供すること。
• 特に医師不足が深刻な発展途上国における医療システムにおける診断効率とスケーラビリティの向上。

提案手法

• 本手法は、スウィン変換器アーキテクチャを採用しており、シフトされたウィンドウを用いて局所的自己注意を実現し、MRIパッチにおける局所的およびグローバルなコンテキストを捉える。
• モデルは階層的な特徴抽出プロセスを通じて2次元のMRIスライスを処理し、マルチスケール表現学習を可能にする。
• 腫瘍の存在とヒストロジカルサブタイプの予測に分類ヘッドを適用する一方で、境界ボックスヘッドにより腫瘍の位置を推定する。
• 回帰ヘッドを用いて、セグメンテーション済み腫瘍領域で訓練された回帰ヘッドを用いて、腫瘍サイズ（mm単位）を推定する。
• フレームワークは、交差エントロピー損失関数と平均二乗誤差損失関数を用いて、公開の脳腫瘍MRIデータセット上でエンドツーエンドで訓練される。
• 最終出力として、腫瘍検出結果、分類、位置、サイズを含むPDFレポートが生成され、臨床的利用のためのダウンロードが可能となる。

実験結果

リサーチクエスチョン

• RQ1 スウィン変換器ベースのモデルは、MRI画像からの脳腫瘍検出において高い精度を達成できるか？
• RQ2 モデルはどの程度高い正確性（precision）と再現率（recall）で脳腫瘍サブタイプを分類できるか？
• RQ3 モデルはMRI画像においてどの程度正確に腫瘍を局在化し、サイズを推定できるか？
• RQ4 モデルは臨床環境において信頼性の高い自動予測を提供することで、放射線科医の作業負荷を軽減できるか？
• RQ5 本システムは、医療リソースが限られた環境において、早期診断をどの程度効果的に支援できるか？

主な発見

• 提案されたスウィン変換器モデルは、BraTS 2020データセットにおいて、腫瘍の存在とサブタイプ検出で94.7％の分類精度を達成した。
• モデルはテスト用MRIスライス全体で平均平均精度（mAP）89.2％の精度で腫瘍を局在化した。
• 腫瘍サイズ推定の平均絶対誤差は3.4 mmであり、高い回帰精度を示した。
• 本システムは、T1、T1ce、T2、FLAIRなどの多様なMRIスキャン強度とスキャンシーケンスにおいて、強固な汎化性能を示した。
• 検出、分類、局在化、サイズ推定を統合した1つのパイプライン化により、逐次的ワークフローと比較して処理時間を60％短縮した。
• 最終的なPDFレポート生成機能により、臨床現場へのシームレスな統合と使いやすい出力配信が実現された。