[論文レビュー] Survival prediction using ensemble tumor segmentation and transfer learning

Mariano Cabezas, Sergi Valverde+7 more|arXiv (Cornell University)|Oct 4, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 6被引用数 10

ひとこと要約

本論文は、術前MRIスキャンから膠腫患者の生存予測を行うために、アンサンブル腫瘍セグメンテーションとトランスファー学習を組み合わせた段階的ディープラーニングフレームワークを提案する。まず、3次元U-Netを用いて腫瘍領域を特定し、その後、4つの異なるCNNアーキテクチャのアンサンブルを用いて腫瘍亜領域（強化腫瘍、壊死巣、強化を示さない腫瘍）のセグメンテーションを精緻化する。次に、これらのセグメンテーション結果と臨床データ、および微調整されたVGG-16からの特徴量を統合し、生存予測を実行する。本手法は、良好なセグメンテーションDSCスコア（全腫瘍の平均0.78）を達成したが、生存予測の正確性は低く（検証セットで0.321）、特徴量工学とモデルの一般化の向上の余地が示唆される。

ABSTRACT

Segmenting tumors and their subregions is a challenging task as demonstrated by the annual BraTS challenge. Moreover, predicting the survival of the patient using mainly imaging features, while being a desirable outcome to evaluate the treatment of the patient, it is also a difficult task. In this paper, we present a cascaded pipeline to segment the tumor and its subregions and then we use these results and other clinical features together with image features coming from a pretrained VGG-16 network to predict the survival of the patient. Preliminary results with the training and validation dataset show a promising start in terms of segmentation, while the prediction values could be improved with further testing on the feature extraction part of the network.

研究の動機と目的

• マルチモodal MRIと臨床データを用いて、膠腫患者の生存予測を改善すること。
• マルチモダリティMRIスキャンにおける異質的膠腫亜領域（強化腫瘍、壊死巣、強化を示さない腫瘍）のセグメンテーションの課題に対処すること。
• 3次元U-NetとアンサンブルCNNを組み合わせた段階的ディープラーニングパイプラインを構築し、腫瘍亜領域セグメンテーションを向上させること。
• 事前学習済みVGG-16からのラジオミクス特徴量と臨床データを統合し、生存予測の精度を向上させること。
• 提案手法の性能をBraTS 2018トレーニングおよび検証データセット上で評価すること。

提案手法

• 初期腫瘍領域の注目領域（ROI）セグメンテーションに、残差接続を備えた3次元U-Net（1層あたり32フィルタ）を用い、21×21×21のパッチで学習し、全画像でテストする。
• 腫瘍亜領域セグメンテーションを精緻化するために、4つの異なるCNNアーキテクチャ（UCNN、UNET、CNN、FCNN）のアンサンブルを13×13×13のパッチで学習し、共通の入力と最終的な統合全結合層を備える。
• アンサンブルモデルでは、エアリー・ストッピングとバッチ正規化を用い、個々のネットワークを最初に学習した後、ベースネットワークを固定した上で統合層のみを微調整する。
• 事前学習済みVGG-16から、FLAIR、T1、T1強化画像の各シーケンスにおいて1患者あたり20枚の腫瘍スライスから画像レベルの表現を抽出する。
• 臨床特徴（例：年齢、性別）と亜領域ボリュームを正規化し、VGG-16特徴量と連結して、生存予測用の最終特徴ベクトルを形成する。
• 全結合ネットワークを、結合された特徴ベクトル上で学習し、患者の全生存期間を予測する。性能は正確性、スピアマン順位相関、標準誤差を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 3次元U-NetとアンサンブルCNNを組み合わせた段階的ディープラーニングパイプラインは、マルチモダリティMRIにおける異質的膠腫亜領域のセグメンテーションを改善できるか？
• RQ2 事前学習済みVGG-16ネットワークを用いたトランスファー学習は、MRIスキャンから生存予測を支援する関連特徴量を抽出するためにどれほど有効か？
• RQ3 臨床的特徴とラジオミクス特徴量を統合することで、ボリュームのみまたは単一モデルアプローチに比べ、生存予測の正確性はどの程度向上するか？
• RQ4 トランスファー学習とアンサンブルセグメンテーションを用いているにもかかわらず、なぜ生存予測のパフォーマンスが低いままなのか？
• RQ5 データ不足と特徴量正規化は、医療画像における生存予測モデルの一般化にどのように影響するか？

主な発見

• アンサンブルセグメンテーション手法は、トレーニングデータセットにおいて全腫瘍（WT）の平均DSCが0.78、腫瘍コア（TC）が0.72、強化腫瘍（ET）が0.68を達成した。
• 検証データセットでは、WTの平均DSCが0.75、TCが0.69、ETが0.65であり、強化腫瘍領域の変動が大きく、性能が最も低かった。
• 生存予測モデルは、トレーニングセットで正確性0.373、検証セットで0.321を示し、いずれも0.5未満であり、予測性能が著しく低いことを示している。
• 予測された生存期間と実際の生存期間のスピアマン順位相関は、トレーニングで-0.05、検証で-0.011であり、予測に意味のある単調な関係がないことを示している。
• 予測の標準誤差は非常に高く（トレーニングで181,387.051、検証で199,081.864）、予測の不確実性が大きいことを示している。
• Brats18_CBICA_AOH_1のような外れ値症例では、ETとTCのDSCが0であったため、強化腫瘍領域のセグメンテーションに依然として大きな課題が存在することが明らかになった。