[論文レビュー] DARWIN: A Highly Flexible Platform for Imaging Research in Radiology

Lufan Chang, Wenjing Zhuang+7 more|arXiv (Cornell University)|Sep 2, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用数 9

ひとこと要約

DARWIN は、プログラミング不要のウェブベースで GUI によるプラットフォームであり、放射線科医が放射線学的特徴抽出およびディープラーニング研究を実施できるようにする。1,000 種類以上の自動特徴抽出、カスタマイズ可能な機械学習パイプライン、ハイパーパrameterチューニングを備えたエンドツーエンドのディープラーニングワークフローをサポートし、肺腺がんの侵襲性分類で 90% を超える正確性、肺結節検出で 95% の感度を達成した。

ABSTRACT

To conduct a radiomics or deep learning research experiment, the radiologists or physicians need to grasp the needed programming skills, which, however, could be frustrating and costly when they have limited coding experience. In this paper, we present DARWIN, a flexible research platform with a graphical user interface for medical imaging research. Our platform is consists of a radiomics module and a deep learning module. The radiomics module can extract more than 1000 dimension features(first-, second-, and higher-order) and provided many draggable supervised and unsupervised machine learning models. Our deep learning module integrates state of the art architectures of classification, detection, and segmentation tasks. It allows users to manually select hyperparameters, or choose an algorithm to automatically search for the best ones. DARWIN also offers the possibility for users to define a custom pipeline for their experiment. These flexibilities enable radiologists to carry out various experiments easily.

研究の動機と目的

• 放射線科医に限られたプログラミングスキルの課題に対処し、医療画像研究のためのコードレスで使いやすいインターフェースを提供すること。
• 特定の画像モodalities のみをサポートする、特徴が少ない、またはディープラーニング統合が欠如している既存のプラットフォームの制限を克服すること。
• ドラッグアンドドロップ機能により、放射線科医が放射線学的特徴抽出およびディープラーニングタスク用に複雑な機械学習パイプラインを構築・カスタマイズ・実行できるようにすること。
• 自動ハイパーパrameterチューニングとカスタマイズ可能な計算グラフを備えた、放射線学的特徴抽出とディープラーニングワークフローの両方をサポートすること。
• データ前処理、モデル学習、可視化、レポート生成を統合した単一のプラットフォームにより、臨床研究を促進すること。

提案手法

• Webベースのアクセスにより、Windows、macOS、Linux などクロスプラットフォームの互換性を確保するブラウザ/サーバー（B/S）アーキテクチャを採用している。
• 医療画像から 1,000 種類以上の一次、二次、および高次放射線学的特徴を抽出するために PyRadiomics を統合している。
• ユーザーがノードをドラッグアンドドロップしてパイプラインを構築できるグラフィカル計算グラフインターフェースを提供しており、画像読み込み、前処理、特徴抽出、モデル学習の各ステップを対応可能にしている。
• 分類、検出、セグメンテーションに適した、SVM やランダムフォレストなどの教師あり・教師なし機械学習モデル、および 3D RetinaNet などのディープラーニングアーキテクチャをサポートしている。
• 最適化アルゴリズムを内蔵して、手動または自動のハイパーパラメータチューニングを可能にし、モデル性能を向上させている。
• ユーザーがカスタムパイプラインを定義し、特徴の重要度やモデル性能指標を含む高次元データを可視化できる。

実験結果

リサーチクエスチョン

• RQ1 GUI ベースのプラットフォームは、放射線科医による放射線学的特徴抽出およびディープラーニング研究のプログラミングの障壁を低下させることができるか？
• RQ2 柔軟でカスタマイズ可能なパイプラインシステムは、医療画像研究の再現性および効率性をどの程度向上させることができるか？
• RQ3 放射線学的特徴抽出とディープラーニングの統合は、再発性グリオーマと放射線誘発性壊死のような複雑な組織病理を区別するのにどの程度有効か？
• RQ4 コードレス環境における自動特徴選択とハイパーパラメータチューニングは、肺結節分類において熟練放射線科医と同等またはそれ以上の性能を達成できるか？
• RQ5 このプラットフォームは、多様な臨床タスクにおけるマルチモodal画像解析および複雑なモデル学習をどの程度効果的にサポートできるか？

主な発見

• DARWIN プラットフォームは、純粋なグラウンドグラス結節における肺腺がんの侵襲性予測で 90.24% のテスト正確性を達成し、10 年および 20 年の経験を持つ放射線科医を上回った。
• 肺結節検出において、3D RetinaNet モデルは 1 スキャンあたり 8 個の偽陽性を伴いながらも 0.95 を超える感度を示し、10,701 例の CT スキャンからなる大規模データセットで高い性能を発揮した。
• プラットフォームは、グリオーマと壊死の組織像の違いと相関する 4 つの主要な放射線学的特徴（JointEntropy、Strength、MCC、Skewness）を同定した。
• LASSO および再帰的特徴削除による特徴選択により、1,223 個の特徴が 6 個に削減され、最終的な SVM モデルはテストセットで高い特異性（89.66%）と感度（91.67%）を示した。
• 計算グラフインターフェースにより、効率的なモデル学習と可視化が可能となり、肺結節検出の全パイプラインが 8 個の TITAN RTX GPU を搭載したサーバーで 8 時間かけて実行された。
• 実験レポートの生成および高次元データの可視化機能により、研究ワークフローが簡素化され、論文投稿に適した分析が可能になった。