[論文レビュー] Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network

Chun-Hung Chao, Zhuotun Zhu+11 more|arXiv (Cornell University)|Aug 29, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 28被引用数 4

ひとこと要約

本論文は、がん画像診断におけるリンパ節（LN）の外見的特徴とリンパ節間の関係性を統合的にモデル化する3次元CNN-GNNフレームワークを提案する。グラフニューラルネットワークを用いて空間的事前知識と転移経路を符号化することで、誤検出を低減するとともに感度を向上させ、142例の食道がん放射線治療画像データセットにおいて、1患者あたり6つの誤検出を許容した状況で、最先端（SOTA）手法比で平均感度が13.1%向上した。

ABSTRACT

Determining the spread of GTV$_{LN}$ is essential in defining the respective resection or irradiating regions for the downstream workflows of surgical resection and radiotherapy for many cancers. Different from the more common enlarged lymph node (LN), GTV$_{LN}$ also includes smaller ones if associated with high positron emission tomography signals and/or any metastasis signs in CT. This is a daunting task. In this work, we propose a unified LN appearance and inter-LN relationship learning framework to detect the true GTV$_{LN}$. This is motivated by the prior clinical knowledge that LNs form a connected lymphatic system, and the spread of cancer cells among LNs often follows certain pathways. Specifically, we first utilize a 3D convolutional neural network with ROI-pooling to extract the GTV$_{LN}$'s instance-wise appearance features. Next, we introduce a graph neural network to further model the inter-LN relationships where the global LN-tumor spatial priors are included in the learning process. This leads to an end-to-end trainable network to detect by classifying GTV$_{LN}$. We operate our model on a set of GTV$_{LN}$ candidates generated by a preliminary 1st-stage method, which has a sensitivity of $>85\%$ at the cost of high false positive (FP) ($>15$ FPs per patient). We validate our approach on a radiotherapy dataset with 142 paired PET/RTCT scans containing the chest and upper abdominal body parts. The proposed method significantly improves over the state-of-the-art (SOTA) LN classification method by $5.5\%$ and $13.1\%$ in F1 score and the averaged sensitivity value at $2, 3, 4, 6$ FPs per patient, respectively.

研究の動機と目的

• 低コントラストと高い解剖学的可変性のため、放射線治療用CT画像でしばしば見過ごされてしまう小規模で転移の疑いのあるリンパ節（OSLN）を検出する課題に対処すること。
• 1次検出システムが生成する高感度な候補セットにおける誤検出を低減することで、OSLN検出の正確性を向上させること。
• がんは連結されたリンパ管経路に沿って広がるという生物学的事前知識を、グラフニューラルネットワークを用いてリンパ節間の関係性を学習することで反映させること。
• 3次元CNNによる外見的特徴とGNNによる関係性推論を統合する、エンドツーエンドで学習可能なフレームワークを構築すること。

提案手法

• 候補リンパ節のCTおよびPET画像から、インスタンスごとの外見的特徴を抽出するために3次元畳み込みニューラルネットワーク（CNN）が用いられる。
• リンパ節間の関係性は、ノードが候補LNを表し、エッジが原発腫瘍からの3次元的距離および角度を符号化するグラフニューラルネットワーク（GNN）を用いてモデル化される。
• リンパ系の解剖学的結合性を反映させるために、距離および角度関係といったグローバルな空間的事前知識がGNNに組み込まれる。
• マルチスケールの関係的特徴を集約するために、GNNで要素レベルの特徴統合戦略が採用され、真のOSLNと誤検出の区別を向上させる。
• パイプライン全体がエンドツーエンドで学習可能であり、3次元CNNによる特徴抽出とGNNによる関係性推論を統合してOSLNの共同分類が行われる。
• 本手法は、142例の食道がん患者のPET/CT画像ペアを用いて評価され、85%以上の感度を達成するが15個以上の誤検出を伴う高感度な候補セットが使用された。

実験結果

リサーチクエスチョン

• RQ1 非対照強化CTにおける小規模で転移の疑いのあるリンパ節（OSLN）の検出を、リンパ節間の関係性をモデル化することで向上させることができるか？
• RQ2 原発腫瘍からの距離および角度関係といったグローバルな空間的事前知識を組み込むことで、外見的特徴のみに依存する手法よりもOSLN分類性能が向上するか？
• RQ3 従来のインスタンスごとの分類手法と比較して、グラフニューラルネットワークは、OSLN検出における高感度を維持したまま誤検出を低減できるか？
• RQ4 3次元CNN特徴と関係的GNN表現を統合することで、SOTA手法に比べてOSLN検出性能がどの程度向上するか？

主な発見

• 提案されたCNN+GNN pモデルは、同じデータセット上でSOTAの2.5次元CNN手法比でF1スコアが5.5%絶対値で向上した。
• 1患者あたり6つの誤検出を許容した状況で、SOTAベースライン比で平均感度が13.1%向上し、高い誤検出率にもかかわらず強いロバストネスを示した。
• CT+PET入力に空間的事前知識を組み込んだ状況で、mFROCは0.595から0.664に向上し、3次元CNNおよびノードレベルのGNN統合ベースラインを上回った。
• GNNにおける要素レベルの特徴統合により、CT設定下では3.4%、CT+PET設定下では6.9%のmFROC向上が達成され、関係性推論の有効性が裏付けられた。
• 定性的な結果では、低確率の近傍ノードに近い誤検出をGNNが正しく再分類し、複数の強い近傍候補が存在する状況で小さな真のOSLNを正しく同定した。
• PET画像の追加は、すべてのモデルで一貫してmFROCを向上させ、OSLN検出性能を向上させる上でその重要性を示した。