[論文レビュー] Supervised and Unsupervised Tumor Characterization in the Deep Learning Era.

Sarfaraz Hussein, Maria M. J. Chuquicusma+4 more|arXiv (Cornell University)|Jan 10, 2018

AI in cancer detection参考文献 42被引用数 12

ひとこと要約

本稿では、3次元畳み込みニューラルネットワーク（3D CNN）を用いた転移学習と、教師あり学習のためのグラフ正則化付きマルチタスク学習フレームワーク、弱教師あり状況におけるGANを用いた表現学習と新しい比例-SVMアルゴリズムを組み合わせた、腫瘍の特徴化を向上させる教師ありおよび教師なしの深層学習手法を提案する。この手法は、1,018例の肺CTスキャンおよび171例の膵臓MRIスキャンを用いて、肺および膵臓腫瘍分類において顕著な性能向上を達成した。

ABSTRACT

Computer Aided Diagnosis (CAD) tools are often needed for fast and accurate detection, characterization, and risk assessment of different tumors from radiology images. Any improvement in robust and accurate image-based tumor characterization can assist in determining non-invasive cancer stage, prognosis, and personalized treatment planning as a part of precision medicine. In this study, we propose both supervised and unsupervised machine learning strategies to improve tumor characterization. Our first approach is based on supervised learning for which we demonstrate significant gains in learning algorithms, particularly Convolutional Neural Network (CNN), by utilizing completely 3D approach and transfer learning to address the requirements of volumetric and large amount of training data, respectively. Motivated by the radiologists' interpretations of the scans, we then show how to incorporate task dependent feature representations into a CAD system via a graph regularized sparse Multi-Task Learning (MTL) framework. In the second approach, we explore an unsupervised scheme in order to address the limited availability of labeled training data, a common problem in medical imaging applications. Inspired by learning from label proportion (LLP) approaches, we propose a new algorithm, proportion-SVM, to characterize tumor types. In this second approach, we also seek the answer to the fundamental question about the goodness of deep features for unsupervised tumor classification. Finally, we study the effect of unsupervised representation learning using Generative Adversarial Networks (GAN) on classification performance. We evaluate our proposed approaches (both supervised and unsupervised) on two different tumor diagnosis challenges: lung and pancreas with 1018 CT and 171 MRI scans respectively.

研究の動機と目的

• より良いがんステージングと個別化治療計画のため、画像診断における腫瘍特徴化を向上させるために、高度な深層学習技術を活用すること。
• 医療画像におけるラベル付き学習データの限界に直面する課題を解決するため、教師なしおよび弱教師あり学習戦略を開発すること。
• 教師なし表現学習によって得られた深層特徴が腫瘍分類にどの程度有効であるかを評価すること。
• 放射線科医の知見に基づくタスク固有の特徴表現をマルチタスク学習フレームワークに統合し、診断精度を向上させること。
• 生成対抗ネットワーク（GANs）が腫瘍分類タスクにおける表現学習をどのように改善するかを評価すること。

提案手法

• 大規模なボリュメトリック医療画像データを処理し、特徴学習を向上させるために、転移学習を適用した3次元畳み込みニューラルネットワーク（CNN）を採用する。
• 放射線科医の解釈から得られるタスク固有の特徴表現を統合するために、グラフ正則化付きスパースマルチタスク学習（MTL）フレームワークを実装する。
• ラベルの割合から学習する（LLP）にインspiredされた、新しいアルゴリズム「比例-SVM」を提案し、限定的なアノテーションでの弱教師あり腫瘍分類を実現する。
• 完全なインスタンスレベルのラベルを必要とせずに、特徴品質を向上させるために、生成対抗ネットワーク（GANs）を用いた教師なし表現学習を実施する。
• 事前学習済みネットワークから得た深層特徴と比例-SVMを組み合わせ、スキャンレベルのラベル割合のみを用いて腫瘍タイプを分類する。
• 2つの臨床データセット（1,018例の肺CTスキャンおよび171例の膵臓MRIスキャン）を用いてモデルを訓練および評価し、腫瘍タイプ分類に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 2次元アプローチと比較して、転移学習を適用した3次元CNNは、ボリュメトリック医療画像における腫瘍特徴化性能を顕著に向上させることができるか？
• RQ2 グラフ正則化付きマルチタスク学習フレームワークは、放射線科医の知見に基づく特徴を効果的に統合し、診断性能を向上させることができるか？
• RQ3 ラベル付きデータが限られている、あるいは全くない状況において、GANを用いた教師なし表現学習が分類精度をどの程度向上させられるか？
• RQ4 比例-SVMアルゴリズムは、スキャンレベルのラベル割合のみを用いた弱教師あり腫瘍分類の有効な解決策とみなせるか？
• RQ5 教師なしで学習された深層特徴は、下流の腫瘍分類タスクにどの程度一般化できるか？

主な発見

• 提案された転移学習を適用した3次元CNNは、ボリュメトリックな文脈を活用することで、肺および膵臓腫瘍データセットの両方で腫瘍特徴化性能を顕著に向上させた。
• グラフ正則化付きマルチタスク学習フレームワークは、放射線科医の解釈から得られるタスク固有の特徴を効果的に統合することで、分類精度を向上させた。
• 比例-SVMアルゴリズムは、ラベルの割合からの学習が可能であることを示し、弱教師あり腫瘍分類における実用性を実証した。
• GANを用いた教師なし表現学習は、下流の分類性能を向上させた。これは、GANから得られる深層特徴が腫瘍タイプ分類に有効であることを示している。
• 教師なし事前学習から得た深層特徴と比例-SVMを統合することで、特にデータが少ない状況でも一般化性能が向上した。
• 3次元CNN、転移学習、マルチタスク学習を組み合わせた手法は、異なる画像モodalitiy（モダリティ）においても、頑健で高精度な腫瘍診断用CADシステムを実現した。