[論文レビュー] Lung Cancer Detection and Classification based on Image Processing and Statistical Learning

Rashidul Hasan, Muntasir Al Kabir|arXiv (Cornell University)|Jan 1, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 2被引用数 8

ひとこと要約

本研究では、CT画像処理と統計的学習を用いたコンピュータ支援肺がん検出システムを提案する。マーカー制御ウォーターシェッドセグメンテーション、特徴抽出（面積、周囲長、エントロピー）、機械学習分類器を採用している。198スライスのKaggleデータセットを用い、最適化されたC=1およびgamma=1のSVMを用いることで72.2%の正確性を達成し、ランダムフォレストやQDAなどの他のモデルを上回った。

ABSTRACT

Lung cancer is one of the death threatening diseases among human beings. Early and accurate detection of lung cancer can increase the survival rate from lung cancer. Computed Tomography (CT) images are commonly used for detecting the lung cancer.Using a data set of thousands of high-resolution lung scans collected from Kaggle competition [1], we will develop algorithms that accurately determine in the lungs are cancerous or not. The proposed system promises better result than the existing systems, which would be beneficial for the radiologist for the accurate and early detection of cancer. The method has been tested on 198 slices of CT images of various stages of cancer obtained from Kaggle dataset[1] and is found satisfactory results. The accuracy of the proposed method in this dataset is 72.2%

研究の動機と目的

• CTスキャンを用いた早期で正確な肺がん検出のための自動化されたシステムの開発。
• 人的誤差を低減し、検出速度を向上させることで放射線診断の改善。
• 複数の統計的学習モデルが、医療画像からの肺結節の分類においてどのように性能を発揮するかの評価。
• 前処理およびマーカー基準ウォーターシェッド技術を用いた画像品質の向上と腫瘍セグメンテーションの強化。

提案手法

• 前処理には、ノイズ低減のためのメディアンフィルタリングとコントラスト強化のためのヒストグラム平坦化を実施。
• マーカー制御ウォーターシェッドセグメンテーションにより、内部および外部マーカーを用いて肺結節を分離。
• 特徴抽出では、セグメンテーション済みの結節から面積、周囲長、エントロピーを計算して分類に用いる。
• 教師あり分類器には、ロジスティック回帰、QDA、分類木、ランダムフォレスト、および径数基底関数カーネルを用いたSVMが含まれる。
• SVMのハイパーパramータチューニング（C=1、gamma=1）により、正確性が72.2%に向上した。
• 選択された特徴を用いて無教師のK-meansクラスタリングを実施し、テストデータで55.05%の正確性を達成した。

実験結果

リサーチクエスチョン

• RQ1 画像処理と統計的学習は、CTスキャンからの早期肺がん検出を改善できるか？
• RQ2 マーカー制御ウォーターシェッドセグメンテーションは、他のセグメンテーション技術と比較して腫瘍検出においてどのように差を示すか？
• RQ3 どの機械学習分類器が、肺結節をがん性または非がん性に分類する際に最も高い正確性を示すか？
• RQ4 特徴選択およびハイパーパramータチューニングは、モデルの性能向上にどの程度寄与するか？
• RQ5 教師なしクラスタリング手法は、ラベルなしデータを用いてがん性結節を効果的に同定できるか？

主な発見

• 提案されたシステムは、C=1およびgamma=1のSVMを用いることで72.2%の分類正確性を達成し、全テストモデルの中で最高であった。
• SVMはQDA、分類木、ランダムフォレスト（いずれも71.71%の正確性）を上回った。
• 面積および周囲長を用いた特徴選択によりSVMの性能が向上し、C=1およびgamma=1で最も良い結果が得られた。
• K-meansクラスタリングは、3つの予測子を用いる場合、テストデータで55.05%の正確性を達成し、全特徴セットを用いた場合をわずかに上回った。
• メディアンフィルタリングとヒストグラム平坦化による前処理により、画像の明瞭性が向上し、より良いセグメンテーションを支援した。
• グラフィカルユーザーインターフェースを介した自動検出および結節の可視化を可能にしたため、本システムは臨床応用の可能性を示した。