[論文レビュー] Characterization of Lung Nodule Malignancy using Hybrid Shape and Appearance Features

Mario Buty, Ziyue Xu+4 more|arXiv (Cornell University)|Sep 21, 2016

Radiomics and Machine Learning in Medical Imaging参考文献 4被引用数 6

ひとこと要約

本稿では、球面調和関数（SH）を用いた形状特徴と深層畳み込みニューラルネットワーク（DCNN）が抽出する外観特徴を統合することで、肺結節の悪性度分類を目的としたハイブリッドコンピュータ支援診断手法を提案する。LIDCデータセットを用いたランダムフォレスト分類器による評価で、1つ違いの正答率は81.2%に達し、個々のSHモデルやDCNNモデルを上回り、専門家間の観察者間一致度に匹敵する頑健性を示した。

ABSTRACT

Computed tomography imaging is a standard modality for detecting and assessing lung cancer. In order to evaluate the malignancy of lung nodules, clinical practice often involves expert qualitative ratings on several criteria describing a nodule's appearance and shape. Translating these features for computer-aided diagnostics is challenging due to their subjective nature and the difficulties in gaining a complete description. In this paper, we propose a computerized approach to quantitatively evaluate both appearance distinctions and 3D surface variations. Nodule shape was modeled and parameterized using spherical harmonics, and appearance features were extracted using deep convolutional neural networks. Both sets of features were combined to estimate the nodule malignancy using a random forest classifier. The proposed algorithm was tested on the publicly available Lung Image Database Consortium dataset, achieving high accuracy. By providing lung nodule characterization, this method can provide a robust alternative reference opinion for lung cancer diagnosis.

研究の動機と目的

• 専門的レントゲン診断を補完する、完全に自動化され定量的な肺結節悪性度分類手法の開発を目的とする。
• 主観的で定性的な結節特徴付けの限界を克服するため、3次元形状とテクスチャ／外観特徴を統合することを目的とする。
• 3次元形状モデリングに球面調和関数を、外観特徴抽出にディープラーニングを組み合わせることで、分類の頑健性を向上させることを目的とする。
• LIDCデータセットにおける観察者間ばらつきと比較して、ハイブリッドモデルの性能を評価し、1つ違いの正答率を現実的なベンチマークとして用いること。
• 形状特徴と外観特徴が補完的であり、それらの統合が個々のモダリティを上回る悪性度予測を実現することを示すこと。

提案手法

• 結節表面は、バイナリセグメンテーションからメッシュ生成法を用いて再構築され、その後、等角写像を介して球面パラメータドメインにマッピングされ、球面調和（SH）表現が得られる。
• 球面調和係数が計算され、回転およびスケール不変の形状記述子としての3次元形状変動を符号化する。
• 結節の主軸に沿って3次元CT画像パッチを抽出し、事前にImageNetで学習済みのDCNNに投入することで、深層外観特徴を抽出する。
• DCNN特徴とSH係数が統合され、悪性度分類用のハイブリッド特徴ベクトルが形成される。
• ランダムフォレスト分類器がハイブリッド特徴に訓練され、悪性度スコア（1〜5段階）を予測する。性能は10分割交差検証を用いて評価される。
• データ漏洩を防ぐために、データセットは結節レベルで分割され、アノテーター数やSH係数の数を変化させた条件でモデルが評価された。

実験結果

リサーチクエスチョン

• RQ1 球面調和関数による形状記述子と、ディープラーニングベースの外観特徴を統合したハイブリッドモデルは、個々のアプローチを上回る肺結節悪性度分類を実現できるか？
• RQ2 ハイブリッドモデルの性能は、LIDCデータセットにおける放射線科医間の観察者間ばらつきと比較してどの程度か？
• RQ3 より多くの球面調和係数を含めることは常に分類精度を向上させるのか、それともある閾値を超えるとノイズが増加するのか？
• RQ4 DCNNで抽出された外観特徴と、SHに基づく形状特徴は、悪性度予測においてどの程度補完的であるか？
• RQ5 完全に自動化されたシステムは、1つ違いの許容誤差を基準として、専門家レントゲン診断の精度に匹敵する悪性度分類を達成できるか？

主な発見

• 100個のSH係数と少なくとも1名のアノテーターを用いたハイブリッドモデルは、1つ違いの正答率81.2%を達成し、DCNN単体（79.1%）およびSH単体（77.2%）のモデルを上回った。
• 150個のSH係数と2名のアノテーターを用いた場合、ハイブリッドモデルは80.3%の1つ違い正答率に達し、入力条件が変化しても一貫した優位性を示した。
• より多くのSH係数を含めても性能が必ずしも向上するとは限らず、ある閾値を超えると、有用な形状情報ではなくノイズが増加する可能性がある。
• ハイブリッドモデルの性能は、LIDCデータセットにおける観察者間ばらつきと同等であり、自動化された信頼できる基準的意見としての役割を果たせることを示唆している。
• 形状（SHを介して）と外観（DCNNを介して）特徴は補完的であり、それらの統合は悪性度予測を著しく向上させることを示唆している。
• 本研究では、自然画像で事前に学習されたDCNNを用いたトランスファーラーニングが、LIDCデータセットでの微調整なしに、関連する結節外観特徴を効果的に抽出できることを示した。