[論文レビュー] Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors

Zhuotun Zhu, Yongyi Lu+3 more|arXiv (Cornell University)|Apr 4, 2020

Pancreatic and Hepatic Oncology Research参考文献 12被引用数 7

ひとこと要約

本論文は、膵神経内分泌腫瘍（PNET）の早期発見を目的として、動脈期および静脈期の二重スキャンと放射線科医が関与した拡張膵管のアノテーションを用いた、分類のためのセグメンテーション（S4C）フレームワークを提案する。新規に収集された、これまでで最大のボクセルラベル付きPNETスキャンデータセットを用いた実験で、89.47％の感度と81.08％の特異度を達成し、最先端のセグメンテーションネットワークを上回り、放射線科医が理解しやすい腫瘍の局在を可能にする。

ABSTRACT

This work presents comprehensive results to detect in the early stage the pancreatic neuroendocrine tumors (PNETs), a group of endocrine tumors arising in the pancreas, which are the second common type of pancreatic cancer, by checking the abdominal CT scans. To the best of our knowledge, this task has not been studied before as a computational task. To provide radiologists with tumor locations, we adopt a segmentation framework to classify CT volumes by checking if at least a sufficient number of voxels is segmented as tumors. To quantitatively analyze our method, we collect and voxelwisely label a new abdominal CT dataset containing $376$ cases with both arterial and venous phases available for each case, in which $228$ cases were diagnosed with PNETs while the remaining $148$ cases are normal, which is currently the largest dataset for PNETs to the best of our knowledge. In order to incorporate rich knowledge of radiologists to our framework, we annotate dilated pancreatic duct as well, which is regarded as the sign of high risk for pancreatic cancer. Quantitatively, our approach outperforms state-of-the-art segmentation networks and achieves a sensitivity of $89.47\%$ at a specificity of $81.08\%$, which indicates a potential direction to achieve a clinical impact related to cancer diagnosis by earlier tumor detection.

研究の動機と目的

• 膵神経内分泌腫瘍（PNET）の早期発見という臨床的課題に取り組むこと。PNETは小規模で画像所見が微細なため、しばしば見過ごされる。
• 放射線学的専門知識を統合することで、特に拡張膵管の臨床的意義を反映させることで、検出感度を向上させる計算フレームワークを開発すること。
• 動脈期および静脈期を含み、腫瘍および拡張膵管のボクセル単位でのアノテーションが施された、PNET用に最大の公開可能でボクセルラベル付きの二重スキャンCTデータセットを構築・公開すること。
• 分類のためのセグメンテーション（S4C）が、直接的な二値分類ネットワークよりも解釈可能で臨床的行動に即した結果を提供することを示すこと。
• 早期診断に不可欠な偽陰性を減らすために、高い感度を維持しつつ、臨床的に許容可能な特異度を達成すること。

提案手法

• フレームワークは、腫瘍セグメンテーション予測を用いて症例レベルの分類を支援する、分類のためのセグメンテーション（S4C）戦略を採用し、放射線科医による解釈可能性を向上させる。
• 動脈期および静脈期の両スキャンを含み、腫瘍および拡張膵管のボクセル単位でアノテーションされた、376例（PNET陽性228例、正常148例）の新しい大規模な腹部CTデータセットを収集した。
• 拡張膵管は、放射線科医が高リスク膵疾患と関連付ける臨床的実務を反映して補助的特徴としてアノテーションされた。
• 本手法は、3D U-NetおよびV-Netアーキテクチャを用いて、両スキャンの腫瘍および膵管の3次元セマンティックセグメンテーションを実行し、その後にセグメンテーション出力を用いた分類を実施する。
• 二重スキャン統合は、いずれのスキャンでも異常と予測された場合に症例を異常と分類することで実装され、補完的な強化パターンを活用して感度を向上させる。
• 性能評価は、テストケースにおけるDice類似係数（DSC）、感度、特異度、見逃し/誤検出数を用いて行った。

実験結果

リサーチクエスチョン

• RQ1 直接分類と比較して、分類のためのセグメンテーションフレームワークは、腹部CTスキャンにおけるPNET検出の感度と解釈可能性を向上させることができるか？
• RQ2 放射線科医が認識する兆候（例：拡張膵管）を補助的アノテーションとして統合することで、PNET検出性能が向上するか？
• RQ3 動脈期および静脈期の二重スキャンCTイメージングにより、片方のスキャンでのみ可視化される腫瘍を捉えることで、検出感度が向上するか？
• RQ4 S4Cフレームワークは、最先端のセグメンテーションネットワークおよびエンドツーエンド分類モデルと比較して、感度、特異度、局在精度の観点でどのように異なるか？
• RQ5 二重スキャンと詳細なアノテーションを備えた本研究のデータセットは、信頼性があり汎用性のあるPNET検出モデルの開発に十分な規模か？

主な発見

• 提案されたS4Cフレームワークは、二重スキャンデータセットで89.47％の感度および81.08％の特異度を達成し、Dice類似係数（DSC）の観点からも最先端のセグメンテーションネットワークを上回った。
• 本手法は、二重スキャン統合設定において、PNET陽性例228例中24例（10.53％）の見逃しを減らし、正常例148例中28例（18.92％）の偽陽性を減らした。
• 動脈期および静脈期の両スキャンを組み合わせることで、単一スキャンモデルと比較して感度が7.01％向上したが、特異度は10.81％低下した。
• S4Cフレームワークは、直接分類ネットワーク（特異度84.46％）よりも高い感度（89.47％）を達成したが、その一方で解釈可能性に欠ける。
• 376例の症例と、両スキャンにおける腫瘍および拡張膵管のボクセル単位アノテーションを備えた本データセットは、これまでで最大の公開可能なPNETスキャンデータセットである。
• 可視化結果から、本手法が動脈期にのみ可視化される微小で微細な腫瘍を正常に検出でき、静脈期では見逃されたことを確認した。これにより、二重スキャン統合戦略の有効性が裏付けられた。