[論文レビュー] MPRAD: A Multiparametric Radiomics Framework

Vishwa S. Parekh, Michael A. Jacobs|arXiv (Cornell University)|Sep 25, 2018

Radiomics and Machine Learning in Medical ImagingMedicine参考文献 56被引用数 17

ひとこと要約

MPRADは、複数のMRIシーケンスを統合して高次元のテクスチャーフィーチャーを抽出する多パラメトリックなレディオミクスフレームワークであり、組織の特徴付けを向上させる。良性と悪性の乳腺病変を区別する際、87%の感度と80.5%の特異度（AUC 0.88）を達成し、単一パラメータのレディオミクスと比較してAUCが9–28%高い。また、乳腺および脳卒中応用において、正常組織タイプの間で一貫した特徴分布を示した。

ABSTRACT

Multiparametric radiological imaging is vital for detection, characterization and diagnosis of many different diseases. The use of radiomics for quantitative extraction of textural features from radiological imaging is increasing moving towards clinical decision support. However, current methods in radiomics are limited to using single images for the extraction of these textural features and may limit the applicable scope of radiomics in different clinical settings. Thus, in the current form, they are not capable of capturing the true underlying tissue characteristics in high dimensional multiparametric imaging space. To overcome this challenge, we have developed a multiparametric imaging radiomic framework termed MPRAD for extraction of radiomic features from high dimensional datasets. MPRAD was tested on two different organs and diseases; breast cancer and cerebrovascular accidents in brain, commonly referred to as stroke. The MPRAD framework classified malignant from benign breast lesions with excellent sensitivity and specificity of 87% and 80.5% respectively with an AUC of 0.88 providing a 9%-28% increase in AUC over single radiomic parameters. More importantly, in breast, the glandular tissue MPRAD were similar between each group with no significance differences. Similarly, the MPRAD features in brain stroke demonstrated increased performance in distinguishing the perfusion-diffusion mismatch compared to single parameter radiomics and there were no differences within the white and gray matter tissue. In conclusion, we have introduced the use of multiparametric radiomics into a clinical setting

研究の動機と目的

• マルチパラメトリック画像診断における複雑な組織の不均一性を単一パラメータのレディオミクスが捉えきれないという限界を解消すること。
• 複数のMRIシーケンスの統合的分析を可能にする統一されたフレームワークを構築すること。
• 悪性と良性の乳腺病変を区別するためのマルチパラメトリックレディオミクスの性能を評価すること。
• 虚血性脳卒中における灌流・拡散不一致を同定する能力をフレームワークが有するかを評価すること。
• 特に線維芽細胞組織、白質および灰色 Matter などの正常組織タイプにおいて、一貫した特徴分布を確認することで、耐性を確保すること。

提案手法

• MPRADフレームワークは、T1、T2、DWI、灌流など複数のMRIシーケンスを統合し、高次元のレディオミクス特徴空間に変換する。
• 第一および第二の統計、形状、ウェーブレットベースの特徴など、既存のレディオミクス手法を用いて、統合されたマルチパラメトリックデータセットからテクスチャーフィーチャーを抽出する。
• 疾患状態間で最も判別能の高い特徴を特定するために、特徴選択および次元削減が適用される。
• SVM やランダムフォレストなどの機械学習モデルを、マルチパラメトリック特徴セット上で学習させ、組織タイプを分類する。
• 正常組織（例：乳腺の線維芽細胞組織、脳の白質・灰色 Matter）における特徴分布の比較を通じて、組織特異的な一貫性を確保する。
• AUC、感度、特異度を用いて性能を評価し、単一シーケンスのレディオミクス手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 単一シーケンスのレディオミクスと比較して、多パラメトリックなレディオミクスフレームワークは、乳がん検出の診断精度を向上させることができるか？
• RQ2 MPRADは、急性虚血性脳卒心中の灌流・拡散不一致を同定する上で、どのように性能を示すか？
• RQ3 MPRAD特徴は、両臓器における正常組織タイプ（例：線維芽細胞組織、白質および灰色 Matter）で一貫しているか？
• RQ4 複数のMRIシーケンスを統合することで、単一シーケンスのレディオミクスと比較して、AUCに統計的に有意な改善が得られるか？
• RQ5 MPRAD特徴は、悪性と良性の乳腺病変を信頼性高く区別できるか、かつ正常組織領域においても安定性を維持できるか？

主な発見

• MPRADは、悪性と良性の乳腺病変を区別する際、AUC 0.88を達成し、単一パラメータのレディオミクス手法と比較して9–28%の向上を示した。
• フレームワークは、乳腺病変の分類において87%の感度と80.5%の特異度を示し、優れた診断性能を示した。
• 悪性群と良性群の両方において、正常な線維芽細胞組織におけるMPRAD特徴の差は有意ではなく、正常組織における耐性を裏付けた。
• 脳卒中において、MPRADは単一パラメータのレディオミクスを上回り、灌流・拡散不一致の同定において診断精度を向上させた。
• 脳の白質および灰色 Matter 内でMPRAD特徴の差は有意ではなく、正常組織タイプ全体で一貫した挙動を示した。
• 多パラメトリックなアプローチにより、高次元の画像空間において複雑な組織特性を効果的に捉えることができ、単一シーケンスのレディオミクスの限界を克服した。