[論文レビュー] DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification

Wentao Zhu, Chaochun Liu+2 more|arXiv (Cornell University)|Sep 16, 2017

Lung Cancer Diagnosis and Treatment参考文献 24被引用数 4

ひとこと要約

DeepLung は、3D Faster R-CNN と U-Net に類似したアーキテクチャを用いた肺腫瘍検出と、勾配ブースティングを用いた3Dデュアルパスネットワークによる分類を組み合わせた完全自動化された3Dディープラーニングシステムであり、LIDC-IDRI データセットにおいて4名の経験豊富な放射線科医の平均性能を超える性能を達成し、腫瘍レベルおよび患者レベルの診断において最先端の結果を示している。

ABSTRACT

In this work, we present a fully automated lung CT cancer diagnosis system, DeepLung. DeepLung contains two parts, nodule detection and classification. Considering the 3D nature of lung CT data, two 3D networks are designed for the nodule detection and classification respectively. Specifically, a 3D Faster R-CNN is designed for nodule detection with a U-net-like encoder-decoder structure to effectively learn nodule features. For nodule classification, gradient boosting machine (GBM) with 3D dual path network (DPN) features is proposed. The nodule classification subnetwork is validated on a public dataset from LIDC-IDRI, on which it achieves better performance than state-of-the-art approaches, and surpasses the average performance of four experienced doctors. For the DeepLung system, candidate nodules are detected first by the nodule detection subnetwork, and nodule diagnosis is conducted by the classification subnetwork. Extensive experimental results demonstrate the DeepLung is comparable to the experienced doctors both for the nodule-level and patient-level diagnosis on the LIDC-IDRI dataset.

研究の動機と目的

• 腫瘍検出と分類を統合した完全自動化されたエンドツーエンドの肺CTがん診断システムの開発。
• 従来のCADシステムの限界を克服するため、ボリュメトリックCTデータにおける特徴の学習を向上させるために3D畳み込みネットワークを活用する。
• ディープラーニングとアンサンブルモデリングを用いて、腫瘍分類において人間の放射線科医の性能を超えること。
• 個々の腫瘍予測を統合することで患者レベルの診断を可能にする統一フレームワークの構築。

提案手法

• 腫瘍検出には、3D畳み込みネットワークを用いたU-Netに類似したエンコーダデコーダ構造を有する3D Faster R-CNNを採用し、ボリュメトリックCTスキャンからの有効な3D特徴学習を可能にする。
• 検出された腫瘍は切り取り処理が施され、その後3Dディープデュアルパスネットワーク（DPN）に供給され、階層的でスケール不変の特徴が抽出される。
• 最終的な分類のため、DPNの特徴、腫瘍のサイズ、および元の腫瘍ピクセル強度を組み合わせた特徴に勾配ブースティングマシン（GBM）を訓練する。
• システムはまず腫瘍検出を行い、その後分類を実行し、結果を統合して患者レベルの診断を実現する。
• 検出および分類のための標準評価プロトコルに従い、LIDC-IDRI および LUNA16 データセットでフレームワークの妥当性を検証する。
• アブレーションスタディおよび検出・分類結果の可視化を用いて、モデルの挙動と誤検出の原因を分析する。

実験結果

リサーチクエスチョン

• RQ1 完全自動化された3Dディープラーニングシステムは、経験豊富な放射線科医の肺腫瘍分類性能を上回ることができるか？
• RQ2 U-Netに類似したアーキテクチャを有する3D Faster R-CNNは、低線量CTスキャンにおける肺腫瘍の検出にどの程度有効か？
• RQ3 勾配ブースティングを組み合わせた3Dデュアルパスネットワークは、従来のディープラーニングおよび従来の手法に比べて分類精度を向上させることができるか？
• RQ4 ディープ特徴、サイズ、および元のピクセルデータを組み合わせることで、分類性能はどの程度向上するか？
• RQ5 システムは腫瘍レベルおよび患者レベルの診断において、放射線科医と同等の性能を達成できるか？

主な発見

• 腫瘍分類サブネットワークは、LIDC-IDRI データセットで最先端の性能を達成し、4名の経験豊富な放射線科医の平均性能を上回った。
• U-Netに類似したアーキテクチャを有する3D Faster R-CNNは、3mm以上の腫瘍に対して高い検出確率を示し、強力な検出能力を示した。
• 誤検出は主に3mm未塔の小さな腫瘍に起因しており、これらは正解ラベルに含まれていなかったため、ノイズに対して高い耐性を示していることが示された。
• 可視化により、モデルが一部の放射線科医が誤診した腫瘍（特に微細または不規則な境界を示すもの）を正しく分類していることが明らかになった。
• 弱いまたは曖昧な不規則な境界の検出に限界があり、難易度の高い症例では一部の誤検出（偽陰性）が生じた。
• 腫瘍レベルおよび患者レベルの診断において、経験豊富な放射線科医と同等の性能を達成したため、臨床的応用の可能性が裏付けられた。