[논문 리뷰] Automated non-mass enhancing lesion detection and segmentation in breast DCE-MRI

I. Álvarez, Javier Ramı́rez외 3명|arXiv (Cornell University)|2018. 03. 12.

Blind Source Separation Techniques인용 수 1

한 줄 요약

이 논문은 독립성분분석(ICA)을 사용하여 동적 조직 특성을 추출하고, 서포트벡터머신(SVM)을 사용하여 병변 영역을 병변 영역으로 분류함으로써 유방 DCE-MRI에서 비질량 강화(NME) 병변의 자동 검출 및 분할을 위한 새로운 CAD 시스템을 제안한다. 새로운 이미지를 ICA 유래 소스 공간에 투영하고 SVM의 초평면을 최적화함으로써, 이 방법은 DSC 0.7215를 달성하여 가짜 양성 결과를 크게 감소시켰다.

ABSTRACT

Non-mass enhancing lesions (NME) constitute a diagnostic challenge in dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) of the breast. Computer Aided Diagnosis (CAD) systems provide physicians with advanced tools for analysis, assessment and evaluation that have a significant impact on the diagnostic performance. Here, we propose a new approach for the specific problem of NME detection and segmentation, by taking advantage of independent component analysis (ICA) to extract a data-driven dynamic characterization of tissue. A set of independent sources was obtained from a dataset of patients, and the dynamic behavior of the different tissues was described by multiple dynamic curves, together with a set of eigenimages describing the scores for each voxel. A new test image is projected onto the independent source space using the unmixing matrix, and each voxel is classified by a support vector machine (SVM) that has already been trained with manually delineated data. A solution to the high false positive rate problem is proposed by controlling the SVM hyperplane location. The CAD system is trained and validated, reaching a DSC coefficient of 0.7215 for NME segmentation.

연구 동기 및 목표

• 기존 방법으로는 어려운 유방 DCE-MRI에서 비질량 강화(NME) 병변의 진단 과제를 해결하기 위해.
• 독립성분분석(ICA)을 활용한 데이터 기반 접근법을 통해 DCE-MRI에서의 동적 조직 강화 패턴을 특성화하기 위해.
• ICA 분해로부터 유도된 동적 곡선과 고유이미지를 활용하여 NME 병변의 분할 정확도를 향상시키기 위해.
• 학습 데이터 기반으로 적응적인 SVM 초평면 제어를 통해 NME 병변 검출의 가짜 양성 비율을 감소시키기 위해.
• 임상 데이터를 기반으로 제안된 CAD 시스템을 검증하여, Dice 유사도 계수(DSC)로 측정된 높은 분할 성능를 달성하기 위해.

제안 방법

• DCE-MRI 스캔 데이터셋에 독립성분분석(ICA)을 적용하여 동적 조직 강화 패턴을 나타내는 독립 소스 집합을 추출한다.
• 각 독립 소스는 해당 조직 행동이 병변 내에서 공간적으로 어떻게 분포되어 있는지를 코딩하는 고유이미지와 동적 곡선과 연관된다.
• 새로운 테스트 이미지에 대해, 학습 데이터로부터 유도된 분해매트릭스를 사용해 이미지를 독립 소스 공간에 투영함으로써 병변 내 각 병변에서의 동적 조직 특성화를 가능하게 한다.
• 수동으로 윤곽이 그려진 NME 병변을 기반으로 학습된 서포트벡터머신(SVM) 분류기가, 투영된 동적 특징을 기반으로 병변 단위 분류를 수행한다.
• 결정 경계를 제어하고 가짜 양성 검출을 줄이기 위해 새로운 초평면 조정 전략을 도입한다.
• 성능 측정을 위해 임상 데이터셋을 사용하여 시스템을 검증하며, 성능은 Dice 유사도 계수(DSC)로 측정된다.

실험 결과

연구 질문

• RQ1 ICA는 DCE-MRI 데이터로부터 동적 조직 강화 패턴을 효과적으로 추출하여 NME 병변의 특성화를 지원할 수 있는가?
• RQ2 ICA에서 유도된 데이터 기반의 동적 표현은 DCE-MRI에서 NME 병변 분할 정확도를 향상시킬 수 있는가?
• RQ3 ICA에서 유도된 특징에 기반한 SVM 기반 분류는 기존 CAD 접근법에 비해 분할 성능와 가짜 양성 비율 측면에서 어떻게 비교되는가?
• RQ4 SVM 분류기에서의 초평면 최적화는 NME 병변 분할에서 가짜 양성 검출을 상당히 감소시킬 수 있는가?
• RQ5 제안된 CAD 시스템의 분할 정확도는 Dice 유사도 계수(DSC)로 측정했을 때 얼마인가?

주요 결과

• 제안된 CAD 시스템은 NME 병변 분할에서 Dice 유사도 계수(DSC) 0.7215를 달성하여 수동 윤곽화 결과와 강한 일치를 보였다.
• ICA는 유방 내 조직 강화 행동을 효과적으로 기술하는 다수의 독립 동적 곡선과 고유이미지를 성공적으로 추출하였다.
• ICA 유래 동적 특징과 SVM 분류기의 통합은 기준 방법에 비해 병변 검출 성능 향상을 이끌었다.
• 초평면 제어 메커니즘이 가짜 양성 비율을 상당히 감소시켜 진단 신뢰도를 향상시켰다.
• 시스템은 임상 DCE-MRI 데이터에서 뛰어난 성능를 보이며, 임상 CAD 적용 가능성을 검증하였다.
• 이 방법은 정확하고 재현 가능한 NME 병변 분할을 지원하는 데이터 기반의 동적 조직 특성화를 제공한다.