[論文レビュー] Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification

Zhuotun Zhu, Ke Yan+10 more|arXiv (Cornell University)|May 27, 2020

Advanced Neural Network Applications参考文献 35被引用数 7

ひとこと要約

本論文は、3DノンコンタストCTおよびPET画像における散在性で小さな、臨床的に重要な腫瘍学的意義のあるリンパ節（OSLN）を検出するための2段階の意思決定分類フレームワークを提案する。OSLNを腫瘍に近接するものと遠く離れたものに分類し、それぞれのカテゴリごとに分離した検出・セグメンテーションネットワークを学習させ、グローバルローカルネットワーク（GLNet）を用いて誤検出を低減することで、1患者あたり3つの誤検出で67%の再現率を達成した。これは最先端手法比で22%の改善を示している。

ABSTRACT

Finding and identifying scatteredly-distributed, small, and critically important objects in 3D oncology images is very challenging. We focus on the detection and segmentation of oncology-significant (or suspicious cancer metastasized) lymph nodes (OSLNs), which has not been studied before as a computational task. Determining and delineating the spread of OSLNs is essential in defining the corresponding resection/irradiating regions for the downstream workflows of surgical resection and radiotherapy of various cancers. For patients who are treated with radiotherapy, this task is performed by experienced radiation oncologists that involves high-level reasoning on whether LNs are metastasized, which is subject to high inter-observer variations. In this work, we propose a divide-and-conquer decision stratification approach that divides OSLNs into tumor-proximal and tumor-distal categories. This is motivated by the observation that each category has its own different underlying distributions in appearance, size and other characteristics. Two separate detection-by-segmentation networks are trained per category and fused. To further reduce false positives (FP), we present a novel global-local network (GLNet) that combines high-level lesion characteristics with features learned from localized 3D image patches. Our method is evaluated on a dataset of 141 esophageal cancer patients with PET and CT modalities (the largest to-date). Our results significantly improve the recall from $45\%$ to $67\%$ at $3$ FPs per patient as compared to previous state-of-the-art methods. The highest achieved OSLN recall of $0.828$ is clinically relevant and valuable.

研究の動機と目的

• 非対照放射線治療用CT（RTCT）スキャンにおける腫瘍学的意義のあるリンパ節（OSLN）を自動的に検出するための計算的手法が不足しているという問題に対処すること。
• 低コントラスト、サイズのばらつき、散在的な分布といった課題に起因して、従来のサイズ基準ではしばしば見逃されがちなOSLNの検出を克服すること。
• 腫瘍への距離とマルチモodal画像（CT/PET）を用いて医師の意思決定プロセスをモデル化することで、OSLN検出における観察者間ばらつきを低減すること。
• 食道がん患者の臨床的状況において、高い再現率を維持しつつ誤検出率を低く抑える検出性能の向上を図ること。

提案手法

• 腫瘍からの空間的距離に基づいてOSLNを腫瘍に近接するものと遠く離れたものに分類する意思決定分類戦略を導入し、カテゴリごとの特徴抽出を可能にする。
• それぞれのカテゴリ（腫瘍に近接／遠く離れた）のOSLNに対して、外観、サイズ、分布特性の違いをモデル化するため、分離した検出・セグメンテーションネットワークを学習させる。
• 事前学習済みの意味的タグ付けモデルから得られるグローバルな病変特徴と、局所的な3D画像パッチ特徴を統合することで、1次段階の予測を精緻化するグローバルローカルネットワーク（GLNet）を提案する。
• 1次段階の出力を、CT/PETからの局所的画像パッチとグローバルな意味的タグを併用して活用する2次段階分類器によって精錬し、誤検出を抑制する。
• 2つのOSLNカテゴリからの予測を統合する2ストリームネットワーク統合戦略を用いることで、全体の検出性能のロバスト性を向上させる。
• 本手法は、141例の食道がん患者を含む大規模なデータセット（CTとPETのペア画像）を用いて評価され、OSLN検出分野でこれまでで最大規模のデータセットである。

実験結果

リサーチクエスチョン

• RQ1 腫瘍への距離に基づいてOSLNを分類する意思決定分類アプローチが、3D腫瘍学的画像における検出性能の向上に寄与するか？
• RQ2 マルチモーダルCTおよびPET画像に加え、グローバルな意味的文脈を統合することで、小規模でコントラストが低いOSLNの検出がどの程度向上するか？
• RQ3 グローバルローカルネットワーク（GLNet）は、高い再現率を維持しつつ、OSLN検出における誤検出をどの程度低減できるか？
• RQ4 提案手法の2段階アプローチは、エンドツーエンドおよび単段階ベースラインと比較して、再現率と誤検出制御の両面で優れているか？

主な発見

• 提案手法は、1患者あたり3つの誤検出で67%の再現率を達成し、前回の最先端手法の再現率45%から著しく向上した。
• 達成された最高のOSLN再現率は0.828であり、治療計画において臨床的に有意で価値ある水準であった。
• GLNetを統合した2段階フレームワークは、mFROCスコア0.645を達成し、最良のエンドツーエンドMULANモデル（mFROC 0.475）比で22%の改善を示した。
• GLNet部は、局所的画像特徴とグローバルな意味的文脈を統合することで、誤検出を顕著に低減し、2次段階分類性能を向上させた。
• 本手法は、2.5D CNNベースラインおよびMULANの両方をすべての指標で上回り、カテゴリ別特徴学習とグローバルローカル統合の有効性を示した。
• 結果から、腫瘍への距離は医師の意思決定において重要な要因であり、それを計算的にモデル化することで検出精度が向上することが確認された。