[論文レビュー] False Positive Reduction in Lung Computed Tomography Images using Convolutional Neural Networks

Görkem Polat, Uğur Halıcı+1 more|arXiv (Cornell University)|Nov 4, 2018

Lung Cancer Diagnosis and Treatment参考文献 10被引用数 4

ひとこと要約

本論文は、空間情報を保持し、結節分類を向上させるために3次元データを活用する3次元畳み込みニューラルネットワーク（CNN）ベースのフレームワークを提案する。この手法は、LUNA16チャレンジにおいて7つの事前に定義された偽陽性率で平均感度0.786を達成し、単純な3次元CNNアーキテクチャでさえ従来の手法を上回ることを示している。

ABSTRACT

Recent studies have shown that lung cancer screening using annual low-dose computed tomography (CT) reduces lung cancer mortality by 20% compared to traditional chest radiography. Therefore, CT lung screening has started to be used widely all across the world. However, analyzing these images is a serious burden for radiologists. In this study, we propose a novel and simple framework that analyzes CT lung screenings using convolutional neural networks (CNNs) and reduces false positives. Our framework shows that even non-complex architectures are very powerful to classify 3D nodule data when compared to traditional methods. We also use different fusions in order to show their power and effect on the overall score. 3D CNNs are preferred over 2D CNNs because data are in 3D, and 2D convolutional operations may result in information loss. Mini-batch is used in order to overcome class-imbalance. Proposed framework has been validated according to the LUNA16 challenge evaluation and got score of 0.786, which is the average sensitivity values at seven predefined false positive (FP) points.

研究の動機と目的

• 肺CTスクリーニングにおける高い偽陽性率が放射線科医に負担をかけ、診断の信頼性を低下させることを是正する。
• 3次元CNNを用いて3次元肺結節を効果的に分類することで、偽陽性を最小限に抑える深層学習フレームワークを開発する。
• 特徴抽出の統合戦略の違いが分類精度に与える影響を評価する。
• 既存手法と公平に比較できるよう、標準化されたLUNA16ベンチマークデータセット上でフレームワークを検証する。

提案手法

• フレームワークは、2次元手法で失われる空間的文脈を保持するため、ボリュメトリックCTデータを処理する3次元畳み込みニューラルネットワークを採用する。
• 良性結節が悪性結節よりも顕著に多いというクラスの不均衡を緩和するため、ミニバッチ学習を用いる。
• 複数の特徴統合戦略を用いて、異なるネットワークブランチからの特徴を統合し、識別能を向上させる。
• モデルはLUNA16データセット上で学習および評価され、事前に定義された偽陽性率における感度を含む標準的な評価指標が使用される。
• アーキテクチャは単純ながらも効果的であり、ボリュメトリックデータに対して2次元と比較して3次元畳み込みの有用性に焦点を当てる。
• 評価は公式のLUNA16チャレンジプロトコルに従い、7つの偽陽性ポイントにおける平均感度を測定する。

実験結果

リサーチクエスチョン

• RQ1 単純な3次元CNNアーキテクチャは、従来の手法と比較して、肺CT結節分類における偽陽性低減で優れた性能を示せるか？
• RQ2 ボリュメトリックCTスキャンからの診断情報の保持において、3次元畳み込みと2次元畳み込みの違いは何か？
• RQ3 異なる特徴統合戦略が、偽陽性低減フレームワーク全体の性能に与える影響は何か？
• RQ4 ミニバッチ学習は、肺結節分類におけるクラスの不均衡をどの程度効果的に是正できるか？
• RQ5 提案されたフレームワークは、最先端の手法と比較して、標準化されたLUNA16ベンチマークでどの程度の性能を示すか？

主な発見

• 提案された3次元CNNフレームワークは、LUNA16チャレンジにおいて7つの事前に定義された偽陽性ポイントで平均感度0.786を達成し、偽陽性低減の優れた性能を示している。
• 3次元畳み込みの使用により、2次元処理と比較して空間情報をより良く保持し、情報損失を低減し、分類精度を向上させた。
• 高度に複雑ではない3次元CNNアーキテクチャですら、悪性と良性の結節を区別する能力で従来の手法を上回った。
• 特徴統合戦略は全体の性能向上に寄与し、モデルの頑健性向上に価値があることを示した。
• ミニバッチ学習アプローチにより、希少な悪性結節に対するモデルの汎化能力が向上し、クラスの不均衡が効果的に是正された。
• フレームワークはLUNA16ベンチマークで強力な汎化性能を示し、実臨床応用への可能性を確認した。