[論文レビュー] Effect of Adding Probabilistic Zonal Prior in Deep Learning-based Prostate Cancer Detection

Matin Hosseinzadeh, Patrick Brand+1 more|arXiv (Cornell University)|Jul 29, 2019

Prostate Cancer Diagnosis and Treatment参考文献 5被引用数 5

ひとこと要約

本稿では、2次元U-Netおよび3次元U-Netアーキテクチャを用いて、確率的ゾーナル事前情報（prior）を深層学習ベースの前立腺がん検出モデルに統合する手法を提案する。非等方的3次元U-Netを用いて生成された確率的ゾーナルセグメンテーションを、初期融合または後期融合によってモデルに統合することで、検出性能が向上し、特に確率的マップの初期融合が、1患者あたり0.5件の誤検出を許容する状況で最高の感度（0.795）を達成した。848例のbi-parametric MRI（bpMRI）症例において、ベースラインおよび決定的統合手法を上回った。

ABSTRACT

We propose and evaluate a novel method for automatically detecting clinically significant prostate cancer (csPCa) in bi-parametric magnetic resonance imaging (bpMRI). Prostate zones play an important role in the assessment of prostate cancer on MRI. We hypothesize that the inclusion of zonal information can improve the performance of a deep learning based csPCa lesion detection model. However, segmentation of prostate zones is challenging and therefore deterministic models are inaccurate. Hence, we investigated probabilistic zonal segmentation. Our baseline detection model is a 2DUNet trained to produce a csPCa heatmap followed by a 3D detector. We experimented with the integration of zonal prior information by fusing the output of an anisotropic 3DUNet trained to produce either a deterministic or probabilistic map for each prostate zone. We also investigate the effect of early or late fusion on csPCa detection. All methods were trained and tested on 848 bpMRI. The results show that fusing zonal prior knowledge improves the baseline detection model with a preference for probabilistic over deterministic zonal segmentation.

研究の動機と目的

• bi-parametric MRI（bpMRI）における臨床的に有意義な前立腺がん（csPCa）の深層学習ベース検出を、ゾーナル事前知識を組み込むことで向上させること。
• 決定的セグメンテーションではなく、確率的ゾーナルセグメンテーションがcsPCa検出により優れた事前情報となるかどうかを調査すること。
• 2次元U-Net病変検出モデルへのゾーナル事前知識統合における、初期融合と後期融合戦略の影響を評価すること。
• 自動セグメンテーションにおける前立腺ゾーン境界の曖昧さが、決定的モデルの精度を制限するという課題に対処すること。
• 訓練データが限られた状況でも、確率的ゾーナルマップからの事前知識がモデル性能を向上させることを実証すること。

提案手法

• 3チャネル入力（T2W、ADC、DWI）を用いて2次元U-Netを訓練し、csPCa病変のヒートマップを生成。その後、3次元ボリュームヒートマップの集約と2閾値による病変セグメンテーションを実施。
• 53例のT2W画像に手動で描画されたゾーナルセグメンテーションを用いて、非等方的3次元U-Netを微調整し、全848例の確率的および決定的ゾーナルマップを生成。
• 初期融合では、ゾーナルマップを2次元U-Netの追加入力チャネルとして連結した。後期融合では、1×1畳み込み層の直前に、ゾーナルマップを最終特徴マップに加算した。
• 過学習を軽減するため、トレーニング中にデータ拡張を適用。最適化にはAdamを用い、重み付き交差エントロピー損失関数と10⁻⁵の学習率を設定。
• モデル選定は、自由応答受信操作特性（FROC）曲線上の複数の点における平均感度に基づいた。
• データセットは、統計的サンプリングを用いてトレーニング・バリデーション・テストに3:1:1の比率で分割し、csPCaの分布がバランスされるようにした。

実験結果

リサーチクエスチョン

• RQ1 確率的ゾーナル事前情報の統合が、深層学習ベースのcsPCa病変検出性能を向上させるか？
• RQ2 決定的セグメンテーションではなく、確率的ゾーナルセグメンテーションがcsPCa検出における事前情報としてより効果的か？
• RQ3 病変検出パイプラインにおいて、ゾーナル事前知識の初期融合が後期融合を上回る性能を示すか？
• RQ4 ゾーナルセグメンテーションからの事前知識が、医療画像解析における限られたアノテート済み訓練データを補完できるか？
• RQ5 ゾーナル事前知識の統合が、異なる誤検出率における感度にどのように影響を与えるか？

主な発見

• 確率的マップの初期融合が、1患者あたり0.5件の誤検出を許容する状況で最高の感度（0.795）を達成し、ベースラインモデル（0.760）比で4.5%の向上を示した。
• 確率的初期融合モデルは、1患者あたり1件の誤検出で88.7%の感度を達成し、ベースライン（82.5%）および決定的統合手法（80.2%〜81.6%）を著しく上回った。
• 確率的ゾーナル事前知識は、すべての誤検出率において検出性能を向上させ、とくに低誤検出レベルで最も顕著な向上が見られた。
• 確率的マップの後期融合では、1患者あたり1件の誤検出で87.3%の感度を達成し、ベースラインおよび決定的後期融合を上回ったが、初期融合に劣った。
• 決定的ゾーナル事前知識は、ベースライン比でわずかに向上し、0.5件の誤検出/患者あたりの感度が0.760から0.774に上昇した。
• 結果から、境界が曖昧なゾーンをセグメンテーションする際、確率的ゾーナル事前知識が決定的ものよりも効果的であることが示された。特に、データが限られた状況下で顕著な効果を示した。