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

Wentao Zhu, Chaochun Liu+2 more|arXiv (Cornell University)|Jan 25, 2018

Lung Cancer Diagnosis and Treatment参考文献 30被引用数 64

ひとこと要約

DeepLung は 3D Faster R-CNN を用い 3D dual path nets で結節を検出し、深い特徴、結節サイズ、および生データピクセルに基づく GBM によって悪性か良性を分類する、完全自動の肺 CT がん診断システムである。

ABSTRACT

In this work, we present a fully automated lung computed tomography (CT) cancer diagnosis system, DeepLung. DeepLung consists of two components, nodule detection (identifying the locations of candidate nodules) and classification (classifying candidate nodules into benign or malignant). Considering the 3D nature of lung CT data and the compactness of dual path networks (DPN), two deep 3D DPN are designed for nodule detection and classification respectively. Specifically, a 3D Faster Regions with Convolutional Neural Net (R-CNN) is designed for nodule detection with 3D dual path blocks and a U-net-like encoder-decoder structure to effectively learn nodule features. For nodule classification, gradient boosting machine (GBM) with 3D dual path network features is proposed. The nodule classification subnetwork was validated on a public dataset from LIDC-IDRI, on which it achieved better performance than state-of-the-art approaches and surpassed the performance of experienced doctors based on image modality. Within 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 that DeepLung has performance comparable to experienced doctors both for the nodule-level and patient-level diagnosis on the LIDC-IDRI dataset.\footnote{https://github.com/uci-cbcl/DeepLung.git}

研究の動機と目的

• 自動化されたエンドツーエンドの肺 CT がん診断を動機付け、臨床医による手動分析への依存を減らす。
• CT データの 3D 性質に合わせたコンパクトで効果的な 3D 深層学習アーキテクチャを検出と分類のために開発する。
• 結節検出と分類を一貫したシステムに統合し、結節フュージョンによる患者レベルの診断を実現する。
• 3D dual path ネットワークを活用して性能を向上させつつ、3D ResNets に比べてパラメータ数を削減する。

提案手法

• CT ボリューム上で結節検出のために 3D Faster R-CNN を設計し、3D dual path ブロックと U-Net 相当のエンコーダ-デコーダを組み合わせる。
• 深い 3D dual path ネットワークを用いて切り出した結節から特徴を抽出し、分類に用いる。
• 深い特徴、結節サイズ、および生の結節ピクセルを組み合わせた GBM を訓練し、良性/悪性を分類する。
• 特徴抽出のために検出された結節を 32x32x32 にクロップし、GBM への追加入力として 16x16x16 ピクセルクロップも使用する。
• LUNA16 で FROC による検出評価と LIDC-IDRI での精度による分類評価を行い、最先端技術および経験豊富な医師と比較する。

実験結果

リサーチクエスチョン

• RQ1 公衆データセット上で完全自動の DeepLung パイプラインは、経験豊富な放射線科医と同等またはそれを超える結節レベルの精度を達成できるか？
• RQ2 3D dual path ネットワークは、肺結節の検出と分類において従来の 3D CNN より利点を提供するか？
• RQ3 深い特徴と結節サイズおよび生データを GBM 経由で結合することで、結節分類の性能は向上するか？
• RQ4 結節レベルの分類のフュージョンは、患者レベルの（CT）がん診断で競争力を持つ結果を生むか？

主な発見

• 3D DPN ベースの検出器は 3D ResNet ベースの検出器よりパラメータ数がはるかに少ないまま FROC が高くなる（84.2% vs 83.4%、パラメータの 1/4 を使用）。
• 深い 3D DPN 特徴と GBM およびサイズ/ピクセル入力を組み合わせた結節分類は、すべての特徴を組み合わせた場合に LIDC-IDRI で 90.44% の精度を達成。
• DeepLung の自信をもつ結節に対する結節レベル予測は、専門医の平均性能を上回る（平均 92.74% 対 医師 91.25%）。
• 完全自動の患者レベル診断では DeepLung は 81.41% の精度を達成し、平均医師の性能（82.31%）に近く、単独の医師よりも優れている。
• GBM は偽陽性を大幅に減らす（偽陽性検出結節で 97.02% FP 減少）、一方で真陽性の性能を維持。
• 患者レベル診断における DeepLung の κ（カッパ）協定は 63.02%、医師平均の 64.46% と比較可能。