[論文レビュー] Predicting 1p19q Chromosomal Deletion of Low-Grade Gliomas from MR Images using Deep Learning

Zeynettin Akkus, Issa Ali+6 more|arXiv (Cornell University)|Nov 21, 2016

Glioma Diagnosis and Treatment被引用数 11

ひとこと要約

本研究では、術前T1強調対照（T1C）およびT2 MR画像から、非侵襲的に低悪性度グリオーマにおける1p19q染色体欠失状態を予測するため、マルチスケール畳み込みニューラルネットワーク（CNN）を用いた深層学習手法を提案する。この手法は、独立したテストセット（159例）で93.3％の感度、82.22％の特異度、87.7％の正確度を達成し、手術的生検に依存せずに治療計画を支援する強力な可能性を示している。

ABSTRACT

Objective: Several studies have associated codeletion of chromosome arms 1p/19q in low-grade gliomas (LGG) with positive response to treatment and longer progression free survival. Therefore, predicting 1p/19q status is crucial for effective treatment planning of LGG. In this study, we predict the 1p/19q status from MR images using convolutional neural networks (CNN), which could be a noninvasive alternative to surgical biopsy and histopathological analysis. Method: Our method consists of three main steps: image registration, tumor segmentation, and classification of 1p/19q status using CNN. We included a total of 159 LGG with 3 image slices each who had biopsy-proven 1p/19q status (57 nondeleted and 102 codeleted) and preoperative postcontrast-T1 (T1C) and T2 images. We divided our data into training, validation, and test sets. The training data was balanced for equal class probability and then augmented with iterations of random translational shift, rotation, and horizontal and vertical flips to increase the size of the training set. We shuffled and augmented the training data to counter overfitting in each epoch. Finally, we evaluated several configurations of a multi-scale CNN architecture until training and validation accuracies became consistent. Results: The results of the best performing configuration on the unseen test set were 93.3% (sensitivity), 82.22% (specificity), and 87.7% (accuracy). Conclusion: Multi-scale CNN with their self-learning capability provides promising results for predicting 1p/19q status noninvasively based on T1C and T2 images. Significance: Predicting 1p/19q status noninvasively from MR images would allow selecting effective treatment strategies for LGG patients without the need for surgical biopsy.

研究の動機と目的

• 手術的生検に依存せずに、MRIを用いて低悪性度グリオーマにおける1p19q染色体欠失状態を非侵襲的に予測する手法を開発すること。
• 非侵襲的イメージングバイオマーカーに基づいて、治療に良好に反応すると予想される患者を特定することで、治療計画を改善すること。
• 深層学習を活用して、T1CおよびT2 MR画像から分子状態を予測可能な微細なイメージング特徴を抽出すること。
• 生検による確認済み1p19q状態を有する159例の低悪性度グリオーマ患者からなるバランスの取れたデータセットを用いて、モデルを検証すること。

提案手法

• 本手法は3段階のプロセスからなる：T1CおよびT2スキャンの画像登錦によるアライメント、腫瘍領域のセグメンテーションによる注目領域の特定、マルチスケールCNNアーキテクチャを用いた分類。
• マルチスケールCNNは、複数の空間スケールでクロップされた腫瘍領域から階層的な特徴を学習するように訓練された。
• 一般化を向上させるとともに過学習を軽減するため、トレーニング中にランダムな平行移動、回転、水平・垂直反転を用いたデータ拡張が実施された。
• コードレート済みおよび非欠失の1p19q状態のクラス確率が等しくなるように、トレーニングデータセットがバランス調整された。
• モデルトレーニングには確率的勾配降下法が用いられ、各エポックでシャッフルとデータ拡張が実施され、モデルの頑健性が向上した。
• 複数回の反復において安定したトレーニングおよび検証精度を示したモデル構成が、最良のCNN設定として選択された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、術前T1CおよびT2 MRIスキャンのみを用いて、低悪性度グリオーマにおける1p19q欠失状態を正確に予測できるか？
• RQ2 ヒストパスロジカル情報なしに、マルチスケールCNNアーキテクチャが1p19q状態に関連するイメージングバイオマーカーを効果的に学習できるか？
• RQ3 データ拡張およびクラスバランス処理は、独立したテストセットにおけるモデルの一般化性能と性能を向上させるか？
• RQ4 非侵襲的イメージングベースの手法が、低悪性度グリオーマ患者における分子的分類のための手術的生検にどの程度置き換え可能か？

主な発見

• 提案されたマルチスケールCNNは、未知のテストセットにおいて1p19q欠失状態予測で93.3％の感度を達成した。
• モデルは82.22％の特異度を示し、非欠失症例を正確に特定できる能力が強く裏付けられた。
• テストセット全体で87.7％の正確度に達し、両クラスにわたる堅牢な性能が裏付けられた。
• 最良のモデル構成は、ネットワークアーキテクチャおよびハイパーパramータの反復的チューニング後に、トレーニングおよび検証精度が安定した。
• 結果から、深層学習がMRIから分子状態と相関する生物学的に意味のあるイメージングパターンを抽出できることを示唆している。
• 本研究は、標準的な臨床的MRIシーケンスを用いて、1p19q状態の非侵襲的予測が実現可能であることを確認した。