[論文レビュー] Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for False Positive Reduction in Pulmonary Nodule Detection

Hyunjun Eun, Daeyeong Kim+2 more|PubMed|Mar 9, 2020

Lung Cancer Diagnosis and Treatment参考文献 43被引用数 12

ひとこと要約

本論文は、肺結節検出における誤検出を低減するため、完全自動の非結節分類を組み込んだ単一視野2次元CNNのアンサンブルを提案する。自己符号化器に基づくクラスタリングを用いて多様な非結節を分類し、各カテゴリごとに別個の2次元CNNを学習させることで、計算コストが低く（789Kパラメータ、1,024M FLOPs/秒）、最先端の性能（0.922 FROCスコア）を達成した。3次元CNNベースの手法を上回りながらも、高い効率性を維持した。

ABSTRACT

We presented a novel false positive reduction framework, the ensemble of single-view 2D CNNs with fully automatic non-nodule categorization, for pulmonary nodule detection. Unlike previous 3D CNN-based frameworks, we utilized 2D CNNs using 2D single views to improve computational efficiency. Also, our training scheme using categorized non-nodules, extends the learning capability of representative features of different non-nodules. Our framework achieved state-of-the-art performance with low computational complexity.

研究の動機と目的

• CADシステムの臨床的導入を妨げる主な要因である、肺結節検出における誤検出の低減。
• 学習データにおける結節と非結節の間の高いクラス内多様性と不均衡の課題に対処する。
• 3次元CNNの高い計算コストを克服しつつ、性能を維持または向上させる。
• 放射線科医による手動の非結節分類を完全自動クラスタリングで置き換える。
• 単一視野パッチにおける2次元CNNの特徴学習能力を、非結節タイプを分類して学習させることで向上させる。

提案手法

• 計算負荷を低減するため、3次元ボリュメトリックパッチの代わりに、結節候補から抽出した2次元単一視野パッチを用いる。
• 非結節パッチのコンact表現を学習するため、自己符号化器を適用する。
• 自己符号化器でエンコードされた特徴量を用いてk-meansクラスタリングを実行し、非結節を明確なタイプに自動分類する。
• 同じ結節サンプルを用いながら、非結節の異なるカテゴリごとに別個の2次元CNNを学習させ、特徴の識別能を向上させる。
• 各非結節カテゴリに特化した2次元CNNの出力をアンサンブルすることで、汎化性能を向上させる。
• 各CNNに特定の非結節カテゴリを割り当てることで、トレーニングを最適化し、特徴の混同を低減し、学習効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 2次元単一視野CNNは、3次元CNNと同等の最先端の誤検出低減性能を達成できるか？
• RQ2 深層特徴に基づく自動非結節分類は、CNNの汎化性能を向上させ、誤検出を低減するか？
• RQ3 異なる非結節カテゴリで学習した複数の2次元CNNは、混合非結節データで学習した場合と比較して、特徴学習能力を向上させられるか？
• RQ4 本フレームワークは、3次元CNNと比較して顕著に計算複雑性を低減しながらも、高い性能を維持できるか？
• RQ5 LUNA16ベンチマークにおいて、カテゴリ特化型トレーニングを施した2次元CNNのアンサンブルは、既存の2次元および3次元手法を上回ることができるか？

主な発見

• 提案フレームワークは、LUNA16データセットにおいて0.922というコンペティション評価スコアを達成し、新たな最先端水準を樹立した。
• 本手法はたった789Kパラメータ、1,024M FLOPs/秒の計算量でこの性能を達成しており、計算複雑性が低いことを示した。
• Multi-MTANNや他の3次元CNNベースの手法を上回ったが、1スキャンあたりの誤検出に対する感受性がより高い、より厳しい評価設定下でも同様の優位性を示した。
• 自動非結節分類の導入により、混合非結節データで学習したモデルと比較して、モデルの汎化性能が顕著に向上したことが実証された。
• 異なる非結節カテゴリで学習した2次元CNNのアンサンブルは、単一ネットワークを上回った。これは、多様なトレーニングの恩恵を示している。
• アブレーションスタディにより、非結節分類が性能向上の鍵であることが確認され、AEおよびDAEベースのトレーニングセットが最も優れた結果を出した。