[論文レビュー] Fully Automatic Binary Glioma Grading based on Pre-Therapy MRI using 3D Convolutional Neural Networks

Milan Decuyper, Roel Van Holen|arXiv (Cornell University)|Aug 5, 2019

Brain Tumor Detection and Classification参考文献 7被引用数 4

ひとこと要約

本研究では、術前MRIを用いた完全自動3次元CNNベースのシステムを提案し、腫瘍のセグメンテーションに3次元U-Net、分類に3次元リサンプルネットワークを組み合わせた。549例の多様なデータセットで91%の精度を達成し、独立した病院データでは92%の精度を示し、多様な画像プロトコルにわたっても高い性能を発揮した。

ABSTRACT

The optimal treatment strategy of newly diagnosed glioma is strongly influenced by tumour malignancy. Manual non-invasive grading based on MRI is not always accurate and biopsies to verify diagnosis negatively impact overall survival. In this paper, we propose a fully automatic 3D computer-aided diagnosis (CAD) system to non-invasively differentiate high-grade glioblastoma from lower-grade glioma. The approach consists of an automatic segmentation step to extract the tumour ROI followed by classification using a 3D convolutional neural network. Segmentation was performed using a 3D U-Net achieving a dice score of 88.53% which matches top performing algorithms in the BraTS 2018 challenge. The classification network was trained and evaluated on a large heterogeneous dataset of 549 patients reaching an accuracy of 91%. Additionally, the CAD system was evaluated on data from the Ghent University Hospital and achieved an accuracy of 92% which shows that the algorithm is robust to data from different centres.

研究の動機と目的

• 術前MRIを用いた完全自動で非侵襲的な方法により、高悪性度の膠腫巣腫瘍（GBM）と低悪性度の膠腫巣腫瘍（LGG）を区別すること。
• 非強化性の高悪性度腫瘍による感度の低さ（55–83%）と偽陰性率の高さに起因する、手動によるMRIベースの分類の限界を克服すること。
• 患者の生存に悪影響を及える侵襲的生検に依存を減らし、正確な非侵襲的診断を可能にすること。
• 複数のソースからの大規模で多様なデータセットを用いて学習することで、多様な画像プロトコルや臨床施設にわたる耐性を確保すること。
• 3次元U-Netによるセグメンテーションと3次元CNNによる分類を組み合わせた2段階パイプラインにより、最先端の性能を達成すること。

提案手法

• T1、T1ce、T2、FLAIRシーケンスを用いて、全腫瘍ボリュームをセグメンテーションする目的で、285例のBraTS 2018患者を対象に、インスタンス正規化およびリ leaky ReLU活性化関数を用いた3次元U-Netを学習した。
• 学習中にT1またはT2/FLAIRチャネルをランダムにマスクすることで、臨床現場におけるMRIモodalitiy欠損に対する耐性を向上させた。
• セグメンテーションモデルは、ソフトDice損失とL2重み減衰、ADAM最適化を用い、バッチサイズ2の128×128×128ピッチで学習した。
• T1ceスキャンからの腫瘍領域の注目領域（ROIs）を抽出し、112×112×112にリサイズした。その後、1つの7×7カーネル畳み込みと4つの残差ブロックを有する3次元残差分類ネットワークに供給した。
• 分類ネットワークはSGDとモーメンタム、L2重み減衰、およびリアルタイムでのデータ増強（反転、回転、パディング）を用い、過学習を防止した。
• システムは400例（GBM 200例、LGG 200例）で学習し、69例で検証し、TCIAの80例とゲント大学病院の112例でテストした。セグメンテーションと分類の両方において、学習データとテストデータに重複はなかった。

実験結果

リサーチクエスチョン

• RQ1 完全自動の3次元CNNパイプラインは、術前MRIのみを用いて、高悪性度の膠腫巣腫瘍と低悪性度の膠腫巣腫瘍を高精度に区別できるか？
• RQ2 異なる画像プロトコルから得られた独立した複数施設のデータにおいて、このシステムの性能はいかがであるか？
• RQ3 データ増強およびモダリティマスキングの使用が、MRIシーケンス欠損に対する耐性をどの程度向上させるか？
• RQ4 セグメンテーション followed by 3次元CNN分類という2段階アプローチは、既存のCADシステムと比較して最先端の性能を達成できるか？
• RQ5 BraTSのようなベンチマークデータセットを超えて、実臨床データに効果的に一般化できるか？

主な発見

• 3次元U-Netは、4つのMRIシーケンスをすべて使用した場合、BraTS 2018テストセットで88.53%のDiceスコアを達成し、最先端の性能と同等であった。
• TCIAテストセットでは91.25%の精度、96.29%のAUC、82.19%のMCCを達成し、高い診断性能を示した。
• ゲント大学病院の独立したデータでは、91.96%の精度、93.39%のAUC、83.91%のMCCを達成し、施設間の差異に対しても耐性があることを確認した。
• TCIAでは感度が91.18%、病院データでは90.48%であったため、高悪性度の膠腫巣腫瘍の検出能が優れていた。
• TCIAでは特異度が91.30%、病院データでは93.88%であったため、低悪性度の膠腫巣腫瘍の正確な同定が可能であった。
• T1ceとFLAIR、またはT1ceとT2のシーケンスのみが利用可能な場合でも、モデルは高い性能を維持したため、不完全なデータへの一般化能力が優れていた。