[論文レビュー] Encoding Clinical Priori in 3D Convolutional Neural Networks for Prostate Cancer Detection in bpMRI

Anindo Saha, Matin Hosseinzadeh+1 more|arXiv (Cornell University)|Oct 31, 2020

Prostate Cancer Diagnosis and Treatment参考文献 24被引用数 6

ひとこと要約

本稿では、700例のトレーニングスキャンから得られるゾーナル解剖学および病変出現頻度に基づく確率的集団事前知識を、3D U-Netアーキテクチャに統合することで、bi-parametric MRI (bpMRI)における前立腺がんの検出性能を向上させる手法を提案する。この方法により、限られた放射線科医による推定アノテーションを伴う状況下でも、4種類の3D CNNアーキテクチャにおいて、患者ベースの診断（最大8.70%のAUROC上昇）および病変レベルの検出（平均1.08のpAUC上昇）が向上した。

ABSTRACT

We hypothesize that anatomical priors can be viable mediums to infuse domain-specific clinical knowledge into state-of-the-art convolutional neural networks (CNN) based on the U-Net architecture. We introduce a probabilistic population prior which captures the spatial prevalence and zonal distinction of clinically significant prostate cancer (csPCa), in order to improve its computer-aided detection (CAD) in bi-parametric MR imaging (bpMRI). To evaluate performance, we train 3D adaptations of the U-Net, U-SEResNet, UNet++ and Attention U-Net using 800 institutional training-validation scans, paired with radiologically-estimated annotations and our computed prior. For 200 independent testing bpMRI scans with histologically-confirmed delineations of csPCa, our proposed method of encoding clinical priori demonstrates a strong ability to improve patient-based diagnosis (upto 8.70% increase in AUROC) and lesion-level detection (average increase of 1.08 pAUC between 0.1-10 false positives per patient) across all four architectures.

研究の動機と目的

• ドメイン特異的な臨床的知識を用いて、bpMRIにおける臨床的に有意義な前立腺がん（csPCa）のコンピュータ支援検出を改善すること。
• 限られたおよびノイズの多いトレーニングデータに対処するため、解剖学的および出現頻度事前知識をディープラーニングモデルに統合すること。
• 明示的な解剖学的事前知識が、多様な3D U-NetアーキテクチャにおいてcsPCa検出の性能を向上させるかどうかを評価すること。
• 病理学的確認済み症例において、放射線科医による推定アノテーションを超えて一般化性能が向上することを示すこと。

提案手法

• 700例のトレーニングbpMRIスキャンを用いて、放射線科医による推定csPCaアノテーションとCNN生成の前立腺ゾーナルセグメンテーションを統合し、確率的集団事前知識$P$を構築する。
• 事前知識は空間的尤度を符号化する：バックグラウンドは0.00、移行ゾーン（TZ）は$\mu$、周辺ゾーン（PZ）は$3\mu$、悪性ボクセルは1.00であり、$\mu \in [0, 0.33]$は学習可能なハイパーパrameterである。
• 各スキャンについて、個別に適合された前立腺セグメンテーションを用いて事前知識$P$をアライメントし、非剛性登録を伴わずに空間的整合性を確保する。
• 事前知識は、3D U-Net、U-SEResNet、UNet++、Attention U-Netアーキテクチャのトレーニング中に補助的監視信号として統合される。
• 性能評価は、病理学的に確認済みのcsPCaの輪郭が明示された200例の独立テストスキャンを用い、AUROCおよびpAUC指標で実施する。
• アブレーションスタディでは、ベースラインモデル（事前知識なし）と比較し、出現頻度事前知識（$\mu=0.00$）、ゾーナル事前知識（$\mu=0.33$）、ハイブリッド事前知識（$\mu=0.01$）のバリエーションを検証する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の確率的集団事前知識は、bpMRIにおける3D CNNのcsPCa検出性能を向上させることができるか？
• RQ2 ゾーナル解剖学および病変出現頻度を統合することで、病変レベルおよび患者ベースの検出性能にどのような影響を与えるか？
• RQ3 トレーニングデータが限られ、アノテーションが放射線科医による推定である状況下でも、事前知識はモデルのロバスト性を向上させるか？
• RQ4 多様な3D U-Netアーキテクチャ（注目メカニズムやスキップ接続の異なるもの）において、事前知識はどのように性能を発揮するか？

主な発見

• ハイブリッド事前知識（$\mu=0.01$）を用いることで、4種類の3D CNNアーキテクチャすべてで患者ベースの診断性能が最大8.70%向上し、AUROCが上昇した。
• 病変レベル検出では、FROC設定すべてで1患者あたり0.1～10件の誤検出範囲内で、平均してpAUCが1.08上昇した。
• Attention U-Netはハイブリッド事前知識を用いることで、AUROCが$0.790 \pm 0.066$に達し、ベースラインの$0.711 \pm 0.078$を上回った。
• ゾーナル事前知識（$\mu=0.33$）は、AUROCおよびpAUCの両方において、出現頻度事前知識（$\mu=0.00$）を常に上回り、解剖学的ゾーニングの価値を示した。
• すべてのアーキテクチャが事前知識統合によって利益を享受し、異なるネットワーク設計および注目メカニズムに対しても堅牢であることが示された。
• 限られたトレーニングデータと放射線科医による推定アノテーションの下でも、性能向上が維持されたことから、病理学的確認済み症例への一般化性能の向上が示された。