[論文レビュー] Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning

Yuankai Huo, Jinzheng Cai+8 more|arXiv (Cornell University)|Jun 28, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 58被引用数 9

ひとこと要約

本論文は、3次元非等方的アンカーフリー検出と空間的に適応する深層テクスチャ（SaDT）学習を用いた、マルチフェーズCTにおける肝腫瘍の特徴付けの完全自動化・マルチステージフレームワークを提案する。半自動的コラテーション戦略により、200件のゴールドスタンダードアノテーションから1,001例の患者に拡張することで、HCCと他のサブタイプの区別においてF1スコア0.763を達成し、人間の読影者を上回り、高度なMRIプロトコルと同等の性能を示した。

ABSTRACT

Non-invasive radiological-based lesion characterization and identification, e.g., to differentiate cancer subtypes, has long been a major aim to enhance oncological diagnosis and treatment procedures. Here we study a specific population of human subjects, with the hope of reducing the need for invasive surgical biopsies of liver cancer patients, which can cause many harmful side-effects. To this end, we propose a fully-automated and multi-stage liver tumor characterization framework designed for dynamic contrast computed tomography (CT). Our system comprises four sequential processes of tumor proposal detection, tumor harvesting, primary tumor site selection, and deep texture-based tumor characterization. Our main contributions are that, (1) we propose a 3D non-isotropic anchor-free detection method for liver lesions; (2) we present and validate spatially adaptivedeep texture (SaDT) learning, which allows for more precise characterization of liver lesions; (3) using a semi-automatic process, we bootstrap off of 200 gold standard annotations to curate another 1001 patients. Experimental evaluations demonstrate that our new data curation strategy, combined with the SaDT deep dynamic texture analysis, can effectively improve the mean F1 scores by >8.6% compared with baselines, in differentiating four major liver lesion types. Our F1 score of (hepatocellular carcinoma versus remaining subclasses) is 0.763, which is higher than reported human observer performance using dynamic CT and comparable to an advanced magnetic resonance imagery protocol. Apart from demonstrating the benefits of our data curation approach and physician-inspired workflow, these results also indicate that analyzing texture features, instead of standard object-based analysis, is a promising strategy for lesion differentiation.

研究の動機と目的

• 侵襲的生検への依存を減らすために、マルチフェーズCTを用いた非侵襲的で正確な肝腫瘍の分類を可能にすること。
• 特にHCCとICC、転移性腫瘍、良性病変の区別が困難であるが、読影者による合意でも頻繁に誤診が生じる肝癌サブタイプの診断課題に対処すること。
• 限定的なゴールドスタンダードアノテーションから出発し、組織所見の真値を有する1,001例の患者研究にまで拡張可能なスケーラブルで半自動のデータコラテーションパイプラインの開発。
• 形態的特徴に基づく分析を超えて、対照強調の時間的変化を捉えることで、腫瘍の特徴付けを向上させること。
• 肝腫瘍の微細なイメージング表現型を区別するうえで、従来のオブジェクト認識アプローチを上回る、深層テクスチャ学習の優位性を示すこと。

提案手法

• 腫瘍候補の検出とトレーニングにおける半自動的腫瘍収集のため、CenterNetに基づく3次元非等方的アンカーフリー検出ネットワークを用いる。
• 推論段階で、診断的に有用なCTフェーズを特定するためのキースライスフィルタリング（KSF）を適用する。
• 空間的に適応する深層テクスチャ（SaDT）学習を導入し、動脈期、静脈期、遅延期の各フェーズにおける対照強調パターンをモデル化する。
• 弱い教師付きデータコラテーション戦略を採用：200例の完全アノテーション済み症例を用いて検出モデルを訓練し、その後、追加の1,001例の症例において腫瘍を同定。臨床的・病理学的レポートによる検証を実施。
• 腫瘍領域のオブジェクト of interest（ROI）のエンドツーエンドのセグメンテーションと分類に、完全畳み込みネットワーク（FCN）を採用。
• システムは半自動モードで動作し、人間が描画したROIを受け入れるか、検出モジュールと組み合わせて完全自動で動作する。

実験結果

リサーチクエスチョン

• RQ1 3次元アンカーフリー検出ネットワークは、高い感度と特異度を備えて、マルチフェーズCTにおいて肝腫瘍を効果的に同定できるか？
• RQ2 深層ダイナミックテクスチャ学習（SaDT）は、従来のオブジェクトベース分析に比べ、肝腫瘍特徴付けにおいて顕著に性能を向上させるか？
• RQ3 半自動のコラテーションパイプラインは、少数のゴールドスタンダードアノテーションから出発し、診断的正確性を保持したまま大規模データセットに拡張可能か？
• RQ4 本フレームワークは、HCCと他の肝腫瘍サブタイプの区別において、人間の読影者と比較してどの程度優れているか？
• RQ5 フェーズ間の動的対照強調パターンは、形態的特徴を超えて、腫瘍分類をどの程度向上させるか？

主な発見

• 弱い教師付き検出と専門家による検証を組み合わせた本研究のデータコラテーション戦略により、ベースライン手法と比較して平均F1スコアが8.6%以上向上した。
• 本システムは、他の腫瘍サブタイプと区別するうえで、肝細胞性癌（HCC）のF1スコア0.763を達成し、報告された人間の読影者性能（F1 = 0.690）を上回った。
• フレームワークは、高度な磁気共鳴画像法プロトコルと同等の性能を示し、CTベースのテクスチャ解析がマルチモodalティの手法と同等の性能を発揮できることを示唆した。
• SaDTモジュールは、時間的対照ダイナミクスをモデル化することで、特徴付けの正確性を顕著に向上させ、従来のCNNベースのオブジェクト認識を上回った。
• KSFモジュールは、最適な診断的フェーズを選択することで推論のロバスト性を向上させ、ノイズや不要なデータを低減した。
• 本フレームワークの性能は、1,305例のマルチフェーズCT研究（196例のトレーニング、108例のテストで完全アノテーション）を含む、大規模で臨床的に関連性の高いデータセットで検証された。