[論文レビュー] Machine learning methods for accurate delineation of tumors in PET images

Jakub Czakon, Filip Drapejkowski+4 more|arXiv (Cornell University)|Oct 29, 2016

Medical Image Segmentation Techniques参考文献 5被引用数 4

ひとこと要約

本研究では、3次元PET画像における腫瘍の自動輪郭指定のための機械学習手法—空間的距離加重型ファジーコンピテンス（SDWFCM）、辞書ベースのモデリング、3次元畳み込みニューラルネットワーク（CNN）—を評価した。3次元CNNは、平均Diceスコア0.86、中央値0.89という最高のスコアを達成し、特にフォントレースデータにおいて他の手法を上回った。これは、腫瘍画像診断における正確で再現性のある腫瘍セグメンテーションの可能性を示している。

ABSTRACT

In oncology, Positron Emission Tomography imaging is widely used in diagnostics of cancer metastases, in monitoring of progress in course of the cancer treatment, and in planning radiotherapeutic interventions. Accurate and reproducible delineation of the tumor in the Positron Emission Tomography scans remains a difficult task, despite being crucial for delivering appropriate radiation dose, minimizing adverse side-effects of the therapy, and reliable evaluation of treatment. In this piece of research we attempt to solve the problem of automated delineation of the tumor using 3d implementations of the spatial distance weighted fuzzy c-means, the deep convolutional neural network and a dictionary model. The methods, in diverse ways, combine intensity and spatial information.

研究の動機と目的

• PETスキャンにおける腫瘍の輪郭指定における高水準の観察者内・観察者間ばらつきを是正すること。
• 3次元PET画像における正確な腫瘍セグメンテーションのための自動的かつ再現性のある手法の開発と評価すること。
• 古典的クラスタリング手法（K-Means、GMM）と比較して、機械学習手法（SDWFCM、DICT、CNN）の腫瘍輪郭指定性能を評価すること。
• 臨床スキャン、フォントレース、シミュレートスキャンという多様なデータタイプにおける手法の頑健性を評価すること。
• 放射線治療計画における一貫性の向上とセグメンテーション誤差の最小化を目的とした最適な手法の同定

提案手法

• ピクセルの位置がクラスタ中心に対してどの程度近いかに応じて重みを付けることで、空間的近接性をファジークラスタリングに統合した3次元空間的距離加重型ファジーコンピテンス（SDWFCM）を適用した。
• 3×3×3の画像パッチを用いた辞書ベースのモデルを実装し、各テストパッチは学習済みのパッチ-ラベルペアの辞書内での類似度が最も高いパッチに基づいてラベル付けされた。
• 3層の畳み込み層、ReLU活性化関数、ドロップアウトを備えた3次元畳み込みニューラルネットワーク（CNN）を、予測値と正解との間のユークリッド損失を最小化するようにアダグレード法を用いて学習させた。
• 3次元CNN手法における訓練サンプルの不足を補うために回転変換を用いたデータ拡張を実施した。
• CNN手法を除き、セグメンテーションラベルのクリーニングにモルフォロジカルオープニングおよびクロージングを適用した。
• GMMおよびCNNを除き、鋭い領域をガウスフィルタでぼかすことで前処理を行い、一貫性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 古典的クラスタリング手法と比較して、3次元機械学習モデルはPET画像における腫瘍輪郭指定の正確性と再現性を向上させることができるか？
• RQ2 空間的認識クラスタリング（SDWFCM）、パッチベースの辞書学習（DICT）、ディープラーニング（CNN）は、異なるデータタイプにおいて腫瘍をどのように分類するか？
• RQ3 特に挑戦的な臨床スキャンにおいて、自動手法と手動輪郭指定との間の性能ギャップは何か？
• RQ4 クラスタリングにおける空間的コンテキスト（SDWFCM）やディープ特徴学習（CNN）の導入は、より良いセグメンテーションの一貫性と体積誤差の低減をもたらすか？
• RQ5 臨床スキャンとフォントレース・シミュレートデータにおいて、異なる手法の性能はどのように異なるのか？その差異の背景には何があるか？

主な発見

• 3次元畳み込みニューラルネットワーク（CNN）は、平均Dice係数0.86、中央値0.89という最高のスコアを達成し、他のすべての手法を上回った。
• フォントレーススキャンにおいて、CNN手法は2番目に優れた手法よりも平均7%の性能差を示し、制御されたデータにおいて強い頑健性を示した。
• 臨床スキャンでは、CNNは平均して腫瘍体積を22%過大評価した一方、SDWFCMは3%の過小評価を示した。これは、精度と感度のトレードオフを示している。
• CNNおよびDICT手法は、それぞれ感度0.89および0.85という最高の感度を示したが、腫瘍体積の過大評価も最も顕著で、平均10%の過大評価を示した。
• SDWFCMは最高の精度（0.85）を達成したが、感度が最低であったため、腫瘍体積の過小評価が生じた。
• Clinical_1は最も挑戦的なケースであり、全手法がDiceスコア0.69を上回れなかったが、ガウスぼかし処理によりこのケースのセグメンテーションが改善された。