[論文レビュー] Deep Radiomics for Brain Tumor Detection and Classification from Multi-Sequence MRI

Subhashis Banerjee, Sushmita Mitra+2 more|arXiv (Cornell University)|Mar 21, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 36被引用数 40

ひとこと要約

本論文は、3つの新規ConvNetモデル（PatchNet、SliceNet、VolumeNet）をゼロから訓練し、多系列MRIから脳腫瘍（LGGとHGG）を検出・分類することを示し、VGGNet/ResNetによる転移学習を示す；VolumeNetはLOPOで97.19%の検出精度とholdoutで95%を達成する。

ABSTRACT

Glioma constitutes 80% of malignant primary brain tumors and is usually classified as HGG and LGG. The LGG tumors are less aggressive, with slower growth rate as compared to HGG, and are responsive to therapy. Tumor biopsy being challenging for brain tumor patients, noninvasive imaging techniques like Magnetic Resonance Imaging (MRI) have been extensively employed in diagnosing brain tumors. Therefore automated systems for the detection and prediction of the grade of tumors based on MRI data becomes necessary for assisting doctors in the framework of augmented intelligence. In this paper, we thoroughly investigate the power of Deep ConvNets for classification of brain tumors using multi-sequence MR images. We propose novel ConvNet models, which are trained from scratch, on MRI patches, slices, and multi-planar volumetric slices. The suitability of transfer learning for the task is next studied by applying two existing ConvNets models (VGGNet and ResNet) trained on ImageNet dataset, through fine-tuning of the last few layers. LOPO testing, and testing on the holdout dataset are used to evaluate the performance of the ConvNets. Results demonstrate that the proposed ConvNets achieve better accuracy in all cases where the model is trained on the multi-planar volumetric dataset. Unlike conventional models, it obtains a testing accuracy of 95% for the low/high grade glioma classification problem. A score of 97% is generated for classification of LGG with/without 1p/19q codeletion, without any additional effort towards extraction and selection of features. We study the properties of self-learned kernels/ filters in different layers, through visualization of the intermediate layer outputs. We also compare the results with that of state-of-the-art methods, demonstrating a maximum improvement of 7% on the grading performance of ConvNets and 9% on the prediction of 1p/19q codeletion status.

研究の動機と目的

• 非侵襲的な脳腫瘍検出と多系列MRIからのグレード判定を手動のROI/VOIセグメンテーションを必要とせずに実現可能性を示す。
• PatchNet、SliceNet、VolumeNetの3つのCNNアーキテクチャをゼロから訓練し、パッチベース・スライベース・ボリュームベースの入力を扱えるようにする。
• MRIデータに対するVGGNetとResNetのファインチューニングによる転移学習を検討し、性能向上の有無を評価する。

提案手法

• TCGA-GBM/TCGA-LGGおよびBraTS 2017データセットから導出したパッチベース、スライベース、マルチプランナー体積入力という3つのデータ表現を導入する。
• Scratchから訓練した3つのCNNアーキテクチャ—PatchNet、SliceNet、VolumeNet—を提案し、ImageNetでファインチューニングしたVGGNetおよびResNetと比較する。
• 学習率0.001とモメンタム0.9でSGDを使用；データ拡張（回転、シフト、反転）を適用；過剰適合抑制のためドロップアウト（0.5）とバッチ正規化を導入。
• LOPO（leave-one-patient-out）とholdoutテストで評価し、LOPOでは最終クラスに多数決を用いる。
• research_questions
• （1）CNNはマルチ系列MRIからROI/VOIの手動描出なしで膠芽腫の検出とグレード付け（LGG vs HGG）を行えるか？（2）体積情報・多平面情報を組み込むと、パッチベース・スライスベースの入力より分類精度が向上するか？（3）MRIデータに対するImageNet事前学習モデルからの転移学習は、ゼロから訓練する場合に比べてこのタスクでどの程度性能を向上させるか？（4）MRIからLGGの1p/19qコード欠失 statusを予測できるか？（5）CNNは層ごとに学習した特徴を視覚化して、腫瘍のグレード判定基準を反映する特徴を捉えるか？

実験結果

主な発見

ネットワーク	分類数	誤分類数	曖昧	精度
PatchNet	242	39	4	84.91%
SliceNet	257	26	2	90.18%
VolumeNet	277	8	0	97.19%
VGGNet	239	40	6	83.86%
ResNet	242	42	1	84.91%

• ：[
• VolumeNetはHGG/LGG分類においてLOPO精度97.19%を達成し、曖昧なケースをゼロに抑える。
• VolumeNetはholdoutデータでLGG/HGG分類に95.00%の精度も達成。
• SliceNetとPatchNetはそれぞれLOPO精度90.18%と84.91%に到達する一方で、holdoutデータではVGGNetとResNetはVolumeNetより低い性能。
• LGGの1p/19qコード欠失の有無について、VolumeNetはholdoutデータで97.00%の精度を達成し、基準となるMayo Clinicベースの手法（Akkusら、97%対88%報告）を上回る。
• ファインチューニングしたImageNetモデル（VGGNet、ResNet）はholdoutデータでスクラッチ訓練の性能にほぼ追いつかないことがある。
• 定性的な視覚化は、学習されたフィルタが組織構造、腫瘍ROI、グレード判定に関連する不均質性特徴を順次捉えていくことを示す。