[論文レビュー] END-TO-END DISCRIMINATIVE DEEP NETWORK FOR LIVER LESION CLASSIFICATION

Francisco Romero, Andre Diler+6 more|arXiv (Cornell University)|Jan 1, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 11被引用数 1

ひとこと要約

本稿では、事前学習済みInceptionV3と残差接続を用いたエンドツーエンドのディープラーニングフレームワークを提案し、CT画像における肝腫瘍を嚢胞か転移巣に分類する。ImageNetで事前学習した重みと全結合層を用いた確率的分類により、63名の患者から得られた230例の病変を含む臨床的データセットにおいて、96%の正確性と92%のF1スコアを達成し、最先端の手法を上回った。

ABSTRACT

Colorectal liver metastasis is one of most aggressive liver malignancies. While the definition of lesion type based on CT images determines the diagnosis and therapeutic strategy, the discrimination between cancerous and non-cancerous lesions are critical and requires highly skilled expertise, experience and time. In the present work we introduce an end-to-end deep learning approach to assist in the discrimination between liver metastases from colorectal cancer and benign cysts in abdominal CT images of the liver. Our approach incorporates the efficient feature extraction of InceptionV3 combined with residual connections and pre-trained weights from ImageNet. The architecture also includes fully connected classification layers to generate a probabilistic output of lesion type. We use an in-house clinical biobank with 230 liver lesions originating from 63 patients. With an accuracy of 0.96 and a F1-score of 0.92, the results obtained with the proposed approach surpasses state of the art methods. Our work provides the basis for incorporating machine learning tools in specialized radiology software to assist physicians in the early detection and treatment of liver lesions.

研究の動機と目的

• 腹部CT画像における悪性肝転移巣と良性嚢胞を区別する自動的でエンドツーエンドのディープラーニングフレームワークの開発。
• 嚢胞と転移巣がCTにおいて類似したHounsfield単位のコントラストを示す場合でも、分類の正確性を既存の手法を上回ることの達成。
• 限られた医療画像データセットにおける特徴学習と一般化性能の向上を図るため、ImageNetからの事前学習済み特徴を活用。
• 結腸直腸癌肝転移の早期発見および診断を支援する放射線科医向けの臨床的実装可能なツールの構築。
• 確定した病変タイプと自動セグメンテーションを備えたキュレートされたバイオバンクデータセットを用いてモデルの妥当性を検証。

提案手法

• 階層的特徴抽出のためのバックボーンとしてInceptionV3を用い、一般化性能の向上を図るためImageNetで事前学習した重みで初期化。
• 訓練の安定化とより深いネットワークの最適化を可能にするために、残差接続を組み込む。
• 確率的出力を得るための2クラスSoftmax層の前に、ReLU活性化関数と0.4ドロップアウトを適用した2層の全結合層を用いる。
• Adam最適化アルゴリズムを用い、学習率スケジューリングにコサイン減衰を適用し、検証精度に基づく早期停止を実施することでエンドツーエンドで訓練。
• 限られたデータセット（230例の病変）における過学習を軽減するため、回転、シフト、反転を含むデータ拡張を訓練中に適用。
• 推論速度の向上と計算負荷の低減を図るため、病変画像は、肝臓と病変を同時に処理するU-Netベースのモデルで事前にセグメンテーション。

実験結果

リサーチクエスチョン

• RQ1 類似したHounsfield単位のコントラストを示すにもかかわらず、事前学習済みの深層畳み込みニューラルネットワークは、腹部CT画像における嚢胞と転移巣を効果的に区別できるか？
• RQ2 限られた医療画像データセットにおいて、ImageNetで事前学習した重みで初期化することで、ランダム初期化よりも優れた性能が得られるか？
• RQ3 本稿で提案するエンドツーエンドフレームワークは、従来のテクスチャベース分類器（例：ハンドクラフト特徴量を用いたSVM）と比較して、肝病変分類においてどのように性能を発揮するか？
• RQ4 データ拡張とバッチ正則化は、限られた臨床的データセットにおいてモデルのロバストネスをどの程度向上させるか？
• RQ5 モデルの出力を、3次元ボリュームにおける色分けされた病変ラベル付けなど、臨床的に解釈可能な形で可視化できるか？

主な発見

• 提案モデルは96%の正確性と92%のF1スコアを達成し、次に優れた手法（事前学習済みInceptionResNet-V2）の89%の正確性と83%のF1スコアを大きく上回った。
• ImageNetで事前学習した重みを用いることで、ランダム初期化よりも優れた性能が得られ、医療画像分野におけるトランスファーラーニングの有効性が裏付けられた。
• 転移巣に対しては100%の精度と94%の再現率を達成し、悪性病変の検出において高い信頼性を示した。
• 受信者操作特性曲線（AUC）は0.97に達し、嚢胞と転移巣の間の強力な識別能力を示した。
• GPU上での1病変あたりの推論時間はわずか3msであり、臨床ワークフローへのリアルタイム統合が可能となった。
• 混同行列から、誤分類は極めて少なく、転移巣が嚢胞と誤分類された例が2例、嚢胞が転移巣と誤分類された例が1例にとどまった。