[論文レビュー] Classifying Symmetrical Differences and Temporal Change in Mammography Using Deep Neural Networks

Thijs Kooi, Nico Karssemeijer|arXiv (Cornell University)|Mar 22, 2017

AI in cancer detection被引用数 3

ひとこと要約

本稿では、二本のストリーム畳み込みニューラルネットワーク（CNN）を用いて、両側乳房の対称性と時間的変化の両方を統合することで、マンモグラムにおける腫瘍検出を向上させる深層学習フレームワークを提案する。2つの統合戦略—健側および患側画像の早期統合と段階的特徴抽出アプローチ—を比較し、対称性分析ではAUC 0.895、時間的変化分析ではAUC 0.884を達成。対称性検出においては、ベースラインと比較して統計的に有意な向上を示した。

ABSTRACT

We investigate the addition of symmetry and temporal context information to a deep Convolutional Neural Network (CNN) with the purpose of detecting malignant soft tissue lesions in mammography. We employ a simple linear mapping that takes the location of a mass candidate and maps it to either the contra-lateral or prior mammogram and Regions Of Interest (ROI) are extracted around each location. We subsequently explore two different architectures (1) a fusion model employing two datastreams were both ROIs are fed to the network during training and testing and (2) a stage-wise approach where a single ROI CNN is trained on the primary image and subsequently used as feature extractor for both primary and symmetrical or prior ROIs. A 'shallow' Gradient Boosted Tree (GBT) classifier is then trained on the concatenation of these features and used to classify the joint representation. Results shown a significant increase in performance using the first architecture and symmetry information, but only marginal gains in performance using temporal data and the other setting. We feel results are promising and can greatly be improved when more temporal data becomes available.

研究の動機と目的

• マンモグラフィーにおける悪性腫瘍のコンピュータ支援検出（CAD）を、対称性と時間的文脈を統合することで向上させること。
• 深層ニューラルネットワークが、健側乳房画像や過去のマンモグラムから有効に学習可能かどうかを調査すること。
• 深層学習フレームワークにおいて、対称性と時間的情報を統合する2つの異なる統合アーキテクチャを評価すること。
• 多視点および縦断的データの統合が、ベースラインモデルと比較して診断性能に測定可能な改善をもたらすかどうかを検証すること。
• スクリーニングマンモグラフィーにおいて、非対称性と変化を悪性の指標としてモデリングするための深層学習の実用可能性を検討すること。

提案手法

• 患側および健側マンモグラム、または過去の検査から腫瘍候補周辺の領域（ROIs）を抽出する。
• 2つの異なるCNNアーキテクチャを採用する：(1) 両方のROIを同時に処理する二本のストリーム統合モデル、(2) 事前学習済みCNNを用いて患側および健側／過去のROIから特徴を抽出する段階的モデル。
• 両ストリームからの特徴を連結し、統合表現に基づいて浅い勾配ブースティングツリー（GBT）分類器を学習する。
• 健側および過去の画像間で腫瘍位置を一貫して抽出できるように、線形マッピングによる位置合わせを実施する。
• すべてのネットワークをスクラッチから訓練し、統合戦略およびアーキテクチャ選択に関するアブレーションを実施する。
• 性能向上の有意性を評価するために信頼区間と統計的仮説検定（p値）を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、左右乳房間の対称性を有効に活用することで、マンモグラフィーにおける悪性腫瘍の検出を向上させることができるか？
• RQ2 過去のマンモグラムからの時間的変化を組み込むことで、CADシステムの悪性腫瘍検出性能が向上するか？
• RQ3 二本のストリーム入力の早期統合と段階的特徴抽出のどちらの統合戦略が、対称性および時間的分析においてより優れた診断性能をもたらすか？
• RQ4 対称性および時間的文脈の統合による性能向上は、特に高特異度条件下で統計的に有意であるか？
• RQ5 より多くの時間的データが利用可能になると、このような深層学習モデルのスケーラビリティおよび性能にどのような影響が生じるか？

主な発見

• 二本のストリーム統合モデルは、対称性分析でAUC 0.895を達成し、ベースラインのAUC 0.87（高特異度下でp = 0.02）を有意に上回った。
• 段階的アプローチは、対称性分析でAUC 0.88を達成し、ベースラインより改善を示したが、統合モデルほど顕著ではなかった。
• 時間的変化検出に関しては、二本のストリームモデルがAUC 0.884、段階的モデルがAUC 0.879を達成し、両者ともベースラインより一貫したが有意でない改善を示した。
• 結果から、対称性に基づく特徴が時間的特徴よりもより顕著な性能向上をもたらすことが示唆され、左右比較によるより豊かな構造的手がかりがあるためと考察される。
• 著者らは、時間的分析からの性能向上が有望ではあるが、わずかであり、より大きなデータセットがあれば顕著な改善が期待できると予想している。
• 本研究は、深層学習モデルが、対称性と時間的文脈というマルチモodalな文脈的情報をCADシステムに効果的に統合できることを示しており、医療画像分野への応用可能性が示唆された。