[論文レビュー] Deep Learning for Lung Cancer Detection: Tackling the Kaggle Data Science Bowl 2017 Challenge

Kingsley Kuan, Mathieu Ravaut+8 more|arXiv (Cornell University)|May 26, 2017

Lung Cancer Diagnosis and Treatment参考文献 18被引用数 69

ひとこと要約

この論文は、胸部CTスキャンから肺がん診断のための4ネットワーク・多段階3D CNNフレームワークを提示し、結節検出、悪性度評価、結節分類、患者レベル予測を組み合わせたもので、KaggleのData Science Bowl 2017で1,972チーム中41位にランク付けされた。

ABSTRACT

We present a deep learning framework for computer-aided lung cancer diagnosis. Our multi-stage framework detects nodules in 3D lung CAT scans, determines if each nodule is malignant, and finally assigns a cancer probability based on these results. We discuss the challenges and advantages of our framework. In the Kaggle Data Science Bowl 2017, our framework ranked 41st out of 1972 teams.

研究の動機と目的

• コンピューター支援による肺がん診断を動機づけ、スクリーニング感度を改善し偽陽性を減らす。
• 結節を局在化し、その悪性度を評価し、患者レベルの癌確率を出力する多段階パイプラインを開発する。
• LUNA16を結節注釈に活用し、Kaggle 2017データを癌状態のデータとして活用することでデータの制約に対処する。
• 各コンポーネントが患者レベル予測と全体性能に与える寄与を評価する。

提案手法

• 3D CT体積上で動作する四つのネットワークアーキテクチャ（結節検出器、悪性度検出器、結節分類器、患者分類器）を使用する。
• 検出タスクのバックボーンとして3D ResNet-101を改変したYOLOにインスパイアされたグリッドベースの検出方式を採用する。
• LUNA16で結節検出器を訓練し、次にKaggle Data Science Bowl 2017データで悪性度検出器をファインチューニングする。検出された結節に対して別個の結節分類器を訓練する。
• 局所的（結節）および全体的（悪性度）特徴を113次元の患者特徴ベクトルに集約し、2つの隠れ層を持つニューラルネットワークに入力して患者の癌確率を出力する。
• 検出段階のクラス不均衡を重み付きクロスエントロピーで処理し、悪性結節をバランスさせるデータ拡張を行う。
• 正規化された512^3体積をオーバーラップする128^3のクリップに分割してGPUメモリに合わせて処理する。

実験結果

リサーチクエスチョン

• RQ1 多段階の3D CNNフレームワークは、CTスキャンからの3D肺がん診断において単一段階アプローチを上回ることができるか？
• RQ2 結節検出、結節悪性度評価、結節分類を組み合わせることは、患者の癌ステータス予測にどの程度有効か？
• RQ3 結節ラベリング戦略の違いは、分類器の性能と全体的なパイプラインの精度にどのような影響を与えるか？
• RQ4 局所的結節分析からの特徴とグローバルな悪性度手掛かりから、患者レベルの癌確率予測をどの程度改善できるか？

主な発見

• このパイプラインはKaggle Data Science Bowl 2017で1,972チーム中41位（ステージ2のテストデータでのログロス0.52712）。
• ステージ1のテストデータで、患者分類器は感度0.719・特異度0.716（ログロス0.47707）。
• LUNA16検証データでの結節検出器は感度0.697、特異度0.999、F1スコア0.740。
• ステージ1 Kaggleデータでの悪性度検出器は感度0.317、特異度0.997、F1スコア0.269で、3クラス検出の難易度が高いことを示唆。
• ラベリング戦略によって結節分類器の性能は変動した。最大結節戦略（w=70%）は感度0.538・特異度0.648・F1 0.33が他のラベリング手法と比較して有利なバランス。
• 大会後の分析では、局所的（結節分類器）とグローバルな手掛かり（悪性度検出器）の両方を統合することで患者レベルの性能が向上することが示された。