[論文レビュー] Deep Learning for the Classification of Lung Nodules

He Yang, Hengyong Yu+1 more|arXiv (Cornell University)|Nov 21, 2016

Radiomics and Machine Learning in Medical Imaging参考文献 12被引用数 34

ひとこと要約

本稿では、胸郭CTスキャンにおける肺結節の分類のための深層畳み込みニューラルネットワーク（CNN）を提案する。手動による特徴工学の必要性を排除し、実際の結節画像および拡張された画像を用いたエンドツーエンド学習により高い分類精度を達成している。幾何学的単純化は、重要な結節特徴を捉えられていないことを示している。

ABSTRACT

Deep learning, as a promising new area of machine learning, has attracted a rapidly increasing attention in the field of medical imaging. Compared to the conventional machine learning methods, deep learning requires no hand-tuned feature extractor, and has shown a superior performance in many visual object recognition applications. In this study, we develop a deep convolutional neural network (CNN) and apply it to thoracic CT images for the classification of lung nodules. We present the CNN architecture and classification accuracy for the original images of lung nodules. In order to understand the features of lung nodules, we further construct new datasets, based on the combination of artificial geometric nodules and some transformations of the original images, as well as a stochastic nodule shape model. It is found that simplistic geometric nodules cannot capture the important features of lung nodules.

研究の動機と目的

• 胸部CT画像における肺結節の自動分類のための深層学習フレームワークの開発。
• エンドツーエンドの深層学習を活用し、手動で調整された特徴抽出器への依存を排除すること。
• 合成および変換された結節データの有効性を評価し、モデルの汎化性能を向上させること。
• 単純な幾何学的結節が、実際の肺結節の特徴を適切に表現できるかどうかを調査すること。
• 肺結節診断の文脈において、深層ネットワークが学習する判別可能な特徴を理解すること。

提案手法

• CT画像からの肺結節の二値または多値分類のための深層畳み込みニューラルネットワーク（CNN）の設計および訓練。
• 手動による特徴工学を不要とするエンドツーエンドの特徴学習を可能にするために、生のCT画像パッチをCNNの入力として使用。
• 回転、スケーリングなどの画像変換を用いた人工幾何的結節とデータ拡張を組み合わせて、モデルの耐性を向上。
• 現実的な結節の変異をシミュレートし、トレーニングの多様性を高めるために、確率的結節形状モデルを導入。
• 交差エントロピー損失を用いた標準的なバックプロパゲーションおよび確率的勾配降下法でCNNを訓練。
• ホールドアウトされたテストセットにおける分類精度などの標準指標を用いて、モデル性能を評価。

実験結果

リサーチクエスチョン

• RQ1 従来の機械学習手法と比較して、深層CNNは肺結節の分類性能を優れているか？
• RQ2 合成された幾何的結節は、実際の肺結節の形態的複雑さをどの程度捉えているか？
• RQ3 画像変換および確率的形状モデリングによるデータ拡張は、モデルの汎化性能にどのように影響するか？
• RQ4 深層ネットワークが悪性と良性の結節を区別する上で学習する特徴は何か？
• RQ5 エンドツーエンドの深層学習は、肺結節分類における手作業による特徴抽出の必要性を排除できるか？

主な発見

• 提案された深層CNNは、実際の肺結節CT画像において高い分類精度を達成し、手作業で特徴を抽出する従来の機械学習手法を上回っている。
• 単純な幾何的結節は、実際の肺結節の真の形態的多様性およびテクスチャパターンを捉えておらず、トレーニングにおける有用性が制限されている。
• 画像変換および確率的結節形状モデルを用いたデータ拡張により、モデルの耐性および汎化性能が向上した。
• 深層ネットワークは生の画像データから階層的で判別性の高い特徴を直接学習し、結節分類に不可欠な微細なパターンを捉えている。
• 生の画像パッチを用いたエンドツーエンドのトレーニングにより、自動的特徴学習が可能となり、専門家が定義した放射線学的特徴への依存が低減された。
• 本研究は、明示的な特徴工学なしに深層学習モデルが複雑な結節特徴を効果的に学習できることを示しており、臨床応用への強い可能性を示唆している。