[論文レビュー] Discovery Radiomics via StochasticNet Sequencers for Cancer Detection

Mohammad Javad Shafiee, Audrey G. Chung+4 more|arXiv (Cornell University)|Nov 11, 2015

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用数 17

ひとこと要約

本論文は、肺CTスキャンからデータ駆動型の特徴を自動で学習する、StochasticNetラジオミクス・シーケンサーを用いた発見型ラジオミクスフレームワークを提案する。手作業で作成された特徴量セットを回避する。この手法は、確率的かつスパースに接続された深層畳み込みネットワークアーキテクチャを活用し、42,340例の肺病変を分類する際、84.49%の正確性を達成した。これは、感度（91.07%）および特異度（75.98%）の両面で、先行する最先端手法を上回った。

ABSTRACT

Radiomics has proven to be a powerful prognostic tool for cancer detection, and has previously been applied in lung, breast, prostate, and head-and-neck cancer studies with great success. However, these radiomics-driven methods rely on pre-defined, hand-crafted radiomic feature sets that can limit their ability to characterize unique cancer traits. In this study, we introduce a novel discovery radiomics framework where we directly discover custom radiomic features from the wealth of available medical imaging data. In particular, we leverage novel StochasticNet radiomic sequencers for extracting custom radiomic features tailored for characterizing unique cancer tissue phenotype. Using StochasticNet radiomic sequencers discovered using a wealth of lung CT data, we perform binary classification on 42,340 lung lesions obtained from the CT scans of 93 patients in the LIDC-IDRI dataset. Preliminary results show significant improvement over previous state-of-the-art methods, indicating the potential of the proposed discovery radiomics framework for improving cancer screening and diagnosis.

研究の動機と目的

• 独自のがん表現型を捉えることができない、手作業で作成されたラジオミクス特徴量の限界を克服すること。
• 大規模な医療画像データから直接、カスタムラジオミクス特徴量を発見するフレームワークを開発すること。
• 確率的でパラメータ効率の良い深層学習アーキテクチャを活用して、がん検出の正確性を向上させること。
• データ駆動型特徴発見を通じて、よりパーソナライズされ、正確ながんスクリーニングおよび診断を可能にすること。
• LIDC-IDRI コレクションから得た大規模かつ拡張された肺病変データセットを用いて、フレームワークを検証すること。

提案手法

• フレームワークは、確率的接続モデルに基づいて確率的に神経接続が形成される深層畳み込みStochasticNet（StochasticNet）アーキテクチャを用いる。
• StochasticNetラジオミクス・シーケンサーは、32、32、64の受容野（5×5）を持つ3つの畳み込み層から構成され、各層の均一な接続確率は0.5である。
• この確率的接続により、完全接続畳み込みニューラルネットワーク（CNN）と比較してパrameter数が約50%削減され、トレーニングおよび推論が高速化される。
• ラジオミクス・シーケンサーは、LIDC-IDRIデータセットに含まれる93名の患者から得た、42,340例の肺病変を含む大規模かつ拡張されたデータセット上で、エンドツーエンドにトレーニングされる。
• 45°および10°の回転を用いたデータ拡張により、病変の多様性が向上し、一般化性能が向上する。
• 発見されたシーケンサーは、各病変に対してカスタムラジオミクスシーケンスを生成し、悪性と良性組織の二値分類に使用される。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型・発見ベースのラジオミクスフレームワークは、従来の手作業で作成されたラジオミクス特徴量セットを上回り、肺がん検出において優れた性能を示せるか？
• RQ2 確率的でスパースに接続された深層学習アーキテクチャ（StochasticNet）は、医療画像データからカスタムラジオミクス特徴量を学習するのにどの程度有効か？
• RQ3 提案されたフレームワークは、最先端の手法と比較して、肺病変分類における感度および特異度をどの程度向上させるか？
• RQ4 データ拡張と確率的接続の使用は、高い分類正確性を維持しつつ、過学習を低減できるか？
• RQ5 カスタムラジオミクス特徴量の発見は、実世界の多様なCTスキャンデータに対して、より優れた性能をもたらすか？

主な発見

• StochasticNetラジオミクス・シーケンサー（SNRS）は、拡張されたLIDC-IDRIデータセット（42,340例の肺病変）において、全体の正確性が84.49%を達成した。
• SNRSの感度は91.07%であり、ベリーフ意思決定ツリー（BDT）およびディープオートエンコーディング・ラジオミクス・シーケンサー（DARS）手法を顕著に上回った。
• SNRSの特異度は75.98%であり、DARS（20.18%）よりも顕著に高く、良性と悪性病変を区別するバランスに優れていることを示した。
• 提案されたフレームワークは、SOTAのDARS手法（正確性75.01%、特異度が低い）を上回った。
• SNRSフレームワークは、確率的接続のおかげでパrameter数を減らし、高速なトレーニングおよび推論を実現した。
• 結果から、StochasticNetシーケンサーによる発見型ラジオミクスは、従来の手作業で作成された特徴量を超える抽象的で表現型特異的特徴量を抽出でき、がん検出を向上させられると示唆された。