[論文レビュー] Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI

Yuan Yuan, Euijoon Ahn+3 more|arXiv (Cornell University)|Dec 12, 2022

AI in cancer detection被引用数 4

ひとこと要約

Z-SSMNet は、大規模なラベルなし二パラメトリック MRI (bpMRI) を用いた自己教師あり事前学習と多次元畳み込み (2D/2.5D/3D) を活用するゾーナルに注意を向ける自己教師ありメッシュネットワークであり、前立腺がんの検出と診断を向上させる。PI-CAI チャレンジのクローズドテストフェーズにおいて、AP スコア 0.690 および AUROC 0.909 を達成し、マルチセンターやマルチスキャナーのデータに対して優れた汎化性能と耐障害性を示した。

ABSTRACT

Bi-parametric magnetic resonance imaging (bpMRI) has become a pivotal modality in the detection and diagnosis of clinically significant prostate cancer (csPCa). Developing AI-based systems to identify csPCa using bpMRI can transform PCa management by improving efficiency and cost-effectiveness. However, current state-of-the-art methods using convolutional neural networks (CNNs) are limited in learning in-plane and three-dimensional spatial information from anisotropic images. Their performances also depend on the availability of large, diverse, and well-annotated bpMRI datasets. We propose a Zonal-aware Self-supervised Mesh Network (Z-SSMNet) that adaptively integrates multi-dimensional (2D/2.5D/3D) convolutions to learn dense intra-slice information and sparse inter-slice information of the anisotropic bpMRI in a balanced manner. A self-supervised learning (SSL) technique is proposed to pre-train our network using large-scale unlabeled data to learn the appearance, texture, and structure semantics of bpMRI. It aims to capture both intra-slice and inter-slice information during the pre-training stage. Furthermore, we constrained our network to focus on the zonal anatomical regions to further improve the detection and diagnosis capability of csPCa. We conducted extensive experiments on the PI-CAI dataset comprising 10000+ multi-center and multi-scanner data. Our Z-SSMNet excelled in both lesion-level detection (AP score of 0.633) and patient-level diagnosis (AUROC score of 0.881), securing the top position in the Open Development Phase of the PI-CAI challenge and maintained strong performance, achieving an AP score of 0.690 and an AUROC score of 0.909, and securing the second-place ranking in the Closed Testing Phase.

研究の動機と目的

• 非等方的 bpMRI スキャンからインtra-slice および inter-slice の空間的情報を捉えることがCNNベースの手法に限界があることに対処する。
• ラベルなしデータを用いた自己教師あり事前学習を活用することで、大規模で多様で完全にアノテーションが付された bpMRI データセットへの依存を低減する。
• 前立腺のゾーナル解剖的領域に注目することで、臨床的に有意義な前立腺がん (csPCa) の検出と診断を向上させる。
• 2D、2.5D、3D 異なる畳み込みを統合的に活用し、密なイントラスライスと疎なインターフレームスライスの特徴学習をバランスさせる統合的なディーブラーニングフレームワークを構築する。
• 広範なファインチューニングを要せず、現実世界のマルチセンターやマルチスキャナーの bpMRI データにおいても強力な性能を発揮することを達成する。

提案手法

• モデルは、非等方的 bpMRI における局所的テクスチャとグローバルな空間的コンテキストを捉えるために、2D、2.5D、3D 異なる畳み込みの適応的統合を実現するハイブリッド畳み込みアーキテクチャを採用する。
• 自己教師あり学習 (SSL) 目的を導入し、大規模なラベルなし bpMRI データを用いてネットワークを事前学習することで、外観、テクスチャ、構造的意味を学習する。
• ゾーナルアテンション機構を適用して、前立腺の解剖学的に関連する領域に特徴学習を制限し、局所化と診断的関連性を向上させる。
• マルチスライス bpMRI ボリュームから切り出したパッチを用いて対照的学習 (contrastive learning) を用いて事前学習を実施し、アノテーションなしで強力な特徴表現を可能にする。
• 最終的なモデルは、弱教師付き信号を用いて、病変レベルの検出と患者レベルの診断のためのエンドツーエンドのファインチューニングが行われる。
• アーキテクチャは、臨床的 bpMRI 取得で一般的なスライス厚さやスライス間隔の変動に対しても対応可能に設計されている。

実験結果

リサーチクエスチョン

• RQ1 ラベルなし二パラメトリック MRI から意味のある表現を自己教師あり事前学習戦略で効果的に学習できるか？
• RQ2 2D/2.5D/3D の多次元畳み込みの統合は、非等方的 MRI における局所的およびグローバルな空間的依存性を捉える能力を向上させるか？
• RQ3 ゾーナルアテンションは、前立腺がん検出におけるディーブラーニングモデルの診断的パフォーマンスをどの程度向上させるか？
• RQ4 既存のCNNベースの手法と比較して、Z-SSMNet は多様なマルチセンターやマルチスキャナーの bpMRI データに対してどの程度汎化するか？
• RQ5 大規模なアノテーション付きデータセットに依存せず、ゾーナルに注意を向けた自己教師ありアプローチが最先端のパフォーマンスを達成できるか？

主な発見

• PI-CAI チャレンジのクローズドテストフェーズにおいて、Z-SSMNet は AP スコア 0.690 および AUROC 0.909 を達成し、2位を獲得した。
• オープン開発フェーズでは、AP スコア 0.633 および AUROC 0.881 を達成し、未観測データに対する強力な汎化性能を示した。
• 自己教師あり事前学習段階は、ラベルなし bpMRI データから外観、テクスチャ、構造的意味を効果的に捉えており、下流タスクのパフォーマンス向上に寄与した。
• ゾーナルアテンションの統合により、解剖学的に関連する領域に注目することで、病変の局所化と診断の正確性が顕著に向上した。
• イントラスライスの密な特徴学習とインターフレームスライスの疎な特徴学習のバランスを取ることで、非等方的 bpMRI の性質に対処する点で、既存のCNNベースの手法を上回った。
• 多様なマルチセンターやマルチスキャナーの bpMRI データセットにおいて、アーキテクチャが強力な耐障害性を示し、臨床応用可能性を確認した。