[論文レビュー] Towards Automatic Lesion Classification in the Upper Aerodigestive Tract Using OCT and Deep Transfer Learning Methods

Nils Gessert, Matthias Schlüter+4 more|tub.dok (Hamburg University of Technology)|Feb 10, 2019

Optical Coherence Tomography Applications参考文献 2被引用数 5

ひとこと要約

本研究では、光学干渉断層画像（OCT）を用いた上位呼吸消化管路（UADT）における悪性および良性病変の自動分類のための深層転移学習手法を提案する。わずか100例の極めて小さなデータセットであっても、特徴抽出層を固定したまま分類器ヘッドのみを微調整することで、人間の専門家と同等の性能が達成され、SE-ResNeXt50を用いて75.00%の感度と84.95%の特異度を達成した。

ABSTRACT

Early detection of cancer is crucial for treatment and overall patient survival. In the upper aerodigestive tract (UADT) the gold standard for identification of malignant tissue is an invasive biopsy. Recently, non-invasive imaging techniques such as confocal laser microscopy and optical coherence tomography (OCT) have been used for tissue assessment. In particular, in a recent study experts classified lesions in the UADT with respect to their invasiveness using OCT images only. As the results were promising, automatic classification of lesions might be feasible which could assist experts in their decision making. Therefore, we address the problem of automatic lesion classification from OCT images. This task is very challenging as the available dataset is extremely small and the data quality is limited. However, as similar issues are typical in many clinical scenarios we study to what extent deep learning approaches can still be trained and used for decision support.

研究の動機と目的

• 限られたOCT画像データを用いた上位呼吸消化管路（UADT）における病変分類の課題に対処すること。
• 深層転移学習が、UADT病変の医療画像分類におけるデータ不足を克服できるかどうかを評価すること。
• 小さな不均衡データセットにおいて、すべての重みを微調整する、分類器のみを再学習する、および学習から再初期化するという異なる学習戦略を比較すること。
• 深層学習モデルが、侵襲的と良性のUADT病変を分類する際に、専門家レベルの性能を達成できるかどうかを検証すること。
• データ拡張、正則化、損失関数のバランス調整が、低データ環境下でのモデル汎化性能に与える影響を評価すること。

提案手法

• Volggerら（2013年）の研究から得た100枚のOCT画像（91例が良性、9例が侵襲的）を用い、組織所見で確認された真のラベルを有する。
• 1例の侵襲的病変を除いて残りを含む8分割の交差検証を実施し、各分割で1例の侵襲的病変と9例の良性病変を含める。これにより、堅牢な評価が可能となる。
• ImageNetで事前学習された3つの最先端の深層学習アーキテクチャ（ResNet18、DenseNet121、SE-ResNeXt50）を用いて転移学習を実装した。
• すべてのOCT画像を224×224ピクセルにバイリニア補間を用いてリサイズし、モデルの入力サイズに一致させた。
• 最終分類層を2クラス出力の層に置き換え、Adam最適化アルゴリズムを用い、学習率1×10⁻⁶で学習を実行した。
• データ拡張として、ランダムな水平反転、明るさ・コントラスト・彩度の調整を適用し、ドロップアウト（p=0.2）とクラスバランス損失重み付けを用いてクラスの不均衡に対処した。

実験結果

リサーチクエスチョン

• RQ1 非常に小さなデータセットであっても、深層転移学習がOCT画像からのUADT病変の信頼性の高い自動分類を達成できるか？
• RQ2 この低データ環境下で、すべての層を微調整するのではなく分類器ヘッドのみを再学習する戦略は、性能にどのように影響するか？
• RQ3 データ拡張および正則化は、低品質で小さな医療画像データセットにおけるモデル性能をどの程度向上できるか？
• RQ4 深層学習モデルの性能は、OCT画像を用いた侵襲的と良性のUADT病変分類において、人間の専門家を上回るか、同等の性能を達成できるか？
• RQ5 制限されたデータ条件下で、どの深層学習アーキテクチャが最も優れた性能を示すか？

主な発見

• 分類器ヘッドのみを再学習する戦略（RC）が、すべての指標で最高の性能を示し、SE-ResNeXt50を用いて82.76%の正確度、75.00%の感度、84.95%の特異度を達成した。
• SE-ResNeXt50は、すべての学習シナリオにおいてResNet18およびDenseNet121を上回り、本タスクに適していることが示された。
• 学習から再初期化（SCR）では、正確度60.19%、感度37.50%という非常に低い結果にとどまり、事前学習なしでの小さなデータセットでの学習の限界が浮き彫りになった。
• すべての重みを微調整（FT）する戦略は、学習から再初期化よりもわずかに改善されたが、RC戦略を上回ることはできず、小さなデータ環境下での過学習リスクが示された。
• RC戦略は、Volggerら（2013年）の平均的人間レーティングと同等の感度と特異度を達成した。DenseNet121では75.00%の感度と77.32%の特異度を示し、SE-ResNeXt50では81.98%のF1スコアを達成した。
• 正規化逆クラス頻度を用いた損失のバランス調整により、極めて不均衡なデータセットにおけるモデル性能が顕著に向上した。