[論文レビュー] Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI

Álvaro Fernández-Quilez, Trygve Eftestøl+3 more|arXiv (Cornell University)|Jul 22, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 35被引用数 5

ひとこと要約

本論文は、臨床的に有意義な（cS）と有意義でない（ncS）病変を区別することで、前立腺がんのスクリーニングを改善するため、二パラメータ的MRI（ADCおよびT2w）を用いたパッチベースの事前学習による自己転送学習フレームワークを提案する。出力ドメインの領域としてのROIパッチを用いた自己教師あり事前学習により、豊富なアノテーションを必要とせず、注釈付きのフルスライス標本への有効な転送学習が可能となり、標準的な転送学習や単一モodalアプローチを上回る分類精度を達成する。

ABSTRACT

Prostate cancer (PCa) is the second most common cancer diagnosed among men worldwide. The current PCa diagnostic pathway comes at the cost of substantial overdiagnosis, leading to unnecessary treatment and further testing. Bi-parametric magnetic resonance imaging (bp-MRI) based on apparent diffusion coefficient maps (ADC) and T2-weighted (T2w) sequences has been proposed as a triage test to differentiate between clinically significant (cS) and non-clinically significant (ncS) prostate lesions. However, analysis of the sequences relies on expertise, requires specialized training, and suffers from inter-observer variability. Deep learning (DL) techniques hold promise in tasks such as classification and detection. Nevertheless, they rely on large amounts of annotated data which is not common in the medical field. In order to palliate such issues, existing works rely on transfer learning (TL) and ImageNet pre-training, which has been proven to be sub-optimal for the medical imaging domain. In this paper, we present a patch-based pre-training strategy to distinguish between cS and ncS lesions which exploit the region of interest (ROI) of the patched source domain to efficiently train a classifier in the full-slice target domain which does not require annotations by making use of transfer learning (TL). We provide a comprehensive comparison between several CNNs architectures and different settings which are presented as a baseline. Moreover, we explore cross-domain TL which exploits both MRI modalities and improves single modality results. Finally, we show how our approaches outperform the standard approaches by a considerable margin

研究の動機と目的

• 前立腺がんにおける過剰診断の問題に対処し、二パラメータ的MRI（bp-MRI）を用いたスクリーニング精度の向上を図ること。
• 画像パッチを用いた自己教師あり事前学習戦略を採用することで、高価で専門家がアノテートしたデータに依存するのを減らすこと。
• 医療画像分野における標準的転送学習（例：ImageNet事前学習）の限界を克服するため、ドメイン固有のパッチベース自己転送学習を用いること。
• ADCおよびT2w MRIシーケンス間でのクロスドメイン転送学習を評価し、病変分類性能の向上を図ること。

提案手法

• ROI（注目領域）からのパッチを用いた自己転送学習戦略を開発し、bp-MRIスキャンのパッチを自己教師あり事前学習に使用する。
• 事前学習モデルを、ターゲットドメインにおける少量の完全アノテート済みフルスライス画像でファインチューニングすることで、豊富なアノテーションを必要とせずに転送学習を可能にする。
• スクリーニングタスクに最適なモデルを同定するために、複数のCNNアーキテクチャを評価する。
• ADCおよびT2wシーケンスの両方を統合的に活用することで、クロスドメイン転送学習を検討し、単一モダリティアプローチを上回る分類性能を向上させる。
• cS対ncS病変の区別に有用な特徴を学習するために、パッチ上で自己教師ありコントラスト学習目的関数を用いる。
• 実世界のデータセットを用いて検証し、標準的転送学習および単一モダリティベースラインと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 パッチベースの自己転送学習は、bp-MRIにおける臨床的に有意義な対有意義でない前立腺病変の分類を改善できるか？
• RQ2 ドメイン固有のパッチを用いた自己転送学習は、医療画像分野における標準的ImageNetベースの転送学習と比較して、どのように異なるか？
• RQ3 ADCおよびT2w MRIシーケンスを統合的に学習することで、クロスドメイン転送学習が単一モダリティアプローチに比べ、スクリーニング性能を向上させられるか？
• RQ4 本研究で提案された自己転送学習フレームワークにおいて、どのCNNアーキテクチャが最も優れた性能を示すか？

主な発見

• 提案された自己転送学習手法は、bp-MRIにおけるcSおよびncS前立腺病変の分類において、標準的なImageNetベースの転送学習を顕著に上回る。
• ADCおよびT2w両シーケンスを活用するクロスドメイン転送学習は、単一モダリティアプローチを上回る分類性能を実現する。
• パッチベースの事前学習戦略により、最小限のアノテーション要件で完全アノテート済みフルスライスターゲットへの有効な転送が可能である。
• 検証されたCNNアーキテクチャの中で、特定のモデル（例：ResNetバージョン）が自己転送学習フレームワークにおいて優れた性能を示した。
• 本手法は、異なるMRIシーケンスにわたり、強固で一般化可能な性能を示し、病変評価における観察者間ばらつきを低減する。