[논문 리뷰] Comparative Analysis of 2D and 3D ResNet Architectures for IDH and MGMT Mutation Detection in Glioma Patients

Danial Elyassirad, Benyamin Gheiji외 6명|arXiv (Cornell University)|2024. 12. 30.

Glioma Diagnosis and TreatmentMedicine인용 수 3

한 줄 요약

이 연구는 T1, 강화 T1 및 FLAIR MRI 영상 시퀀스를 사용하여 뇌신생물 환자에서 IDH 및 MGMT 돌연변이 상태를 비침습적으로 예측하기 위해 2D 및 3D ResNet 아키텍처를 비교한다. 2D ResNet50는 IDH 상태 예측에서 최고의 AUROC 0.9096을 기록했으며, 3D ResNet34(0.8999)를 능가했지만, 3D 모델은 MGMT 예측에서 실패했으며 AUROC가 0.5 이하였다.

ABSTRACT

Gliomas are the most common cause of mortality among primary brain tumors. Molecular markers, including Isocitrate Dehydrogenase (IDH) and O[6]-methylguanine-DNA methyltransferase (MGMT) influence treatment responses and prognosis. Deep learning (DL) models may provide a non-invasive method for predicting the status of these molecular markers. To achieve non-invasive determination of gene mutations in glioma patients, we compare 2D and 3D ResNet models to predict IDH and MGMT status, using T1, post-contrast T1, and FLAIR MRI sequences. USCF glioma dataset was used, which contains 495 patients with known IDH and 410 patients with known MGMT status. The dataset was divided into training (60%), tuning (20%), and test (20%) subsets at the patient level. The 2D models take axial, coronal, and sagittal tumor slices as three separate models. To ensemble the 2D predictions the three different views were combined using logistic regression. Various ResNet architectures (ResNet10, 18, 34, 50, 101, 152) were trained. For the 3D approach, we incorporated the entire brain tumor volume in the ResNet10, 18, and 34 models. After optimizing each model, the models with the lowest tuning loss were selected for further evaluation on the separate test sets. The best-performing models in IDH prediction were the 2D ResNet50, achieving a test area under the receiver operating characteristic curve (AUROC) of 0.9096, and the 3D ResNet34, which reached a test AUROC of 0.8999. For MGMT status prediction, the 2D ResNet152 achieved a test AUROC of 0.6168; however, all 3D models yielded AUROCs less than 0.5. Overall, the study indicated that both 2D and 3D models showed high predictive value for IDH prediction, with slightly better performance in 2D models.

연구 동기 및 목표

• 비침습적 MRI를 사용하여 뇌신생물 환자에서 IDH 및 MGMT 돌연변이 상태를 예측하는 데 있어 2D 및 3D ResNet 아키텍처의 성능을 평가하는 것.
• 2D 축면 분석 대비 3D 부피 모델링이 분자의 마커 예측에 유리한지를 확인하는 것.
• 높은 정확도의 비침습적 핵심 뇌신생물 바이오마커 예측을 위한 최적의 ResNet 아키텍처 및 모odal 조합을 규명하는 것.
• 다양한 MRI 시퀀스 및 종양 표현형 간에 딥 러닝 모델의 일반화 능력과 강건성을 평가하는 것.

제안 방법

• T1, 강화 T1 및 FLAIR 시퀀스에서 유도된 축면( axial, coronal, sagittal)에 대해 2D ResNet 변종(ResNet10, 18, 34, 50, 101, 152)을 훈련함.
• 로지스틱 회귀를 사용하여 세 가지 수직 방향에서의 2D 예측을 앙상블하여 강건성과 일반화 능력을 향상시킴.
• 동일한 MRI 시퀀스에서 추출한 전체 3D 종양 부피에 대해 3D ResNet 변종(ResNet10, 18, 34)을 훈련함.
• USCF 뇌신생물 데이터셋(495명의 IDH, 410명의 MGMT)을 환자 수준에서 훈련(60%), 검증(20%), 테스트(20%) 세트로 분할하여 데이터 泄漏를 방지함.
• 최종 평가를 위해 검증 손실이 가장 낮은 모델을 선택함.
• IDH 및 MGMT 상태 예측의 주요 평가 지표로 AUROC를 사용하여 성능을 평가함.

실험 결과

연구 질문

• RQ1 뇌신생물 환자에서 IDH 돌연변이 상태 예측에 있어 2D 또는 3D ResNet 아키텍처 중 어느 것이 더 높은 예측 성능을 보일까?
• RQ2 3D 부피적 맥락을 포함함으로써 MGMT 상태 예측에 있어 2D 절편 기반 모델 대비 향상 또는 저해가 발생하는가?
• RQ3 2D 모델이 축면( axial, coronal, sagittal)에 대해 훈련된 경우, 전체 3D 부피를 사용하는 3D 모델보다 더 우수한 일반화 성능를 달성할 수 있는가?
• RQ4 IDH 및 MGMT 상태 예측에 있어 MRI 데이터를 사용할 때 최적의 ResNet 깊이가 무엇인가?
• RQ5 3D ResNet 모델은 MGMT 예측에서 심각한 성능 저하를 보이며, 만약 그렇다면 그 이유는 무엇인가?

주요 결과

• 2D ResNet50는 IDH 돌연변이 상태 예측에서 최고의 테스트 AUROC 0.9096을 기록했으며, 다른 모든 모델을 능가함.
• 3D ResNet34는 IDH 상태 예측에서 AUROC 0.8999를 기록하여 강력한 성능를 보였지만, 최고의 2D 모델보다 略적으로 낮음.
• MGMT 상태 예측에 대해 모든 3D ResNet 모델은 AUROC가 0.5 이하였으며, 이는 랜덤 추측보다도 열 劣한 성능를 보였음을 의미함.
• 2D ResNet152는 MGMT 상태 예측에서 AUROC 0.6168을 기록하여 이 바이오마커에 대해 모든 모델 중 가장 높은 성능를 보였음.
• 로지스틱 회귀를 사용하여 세 가지 2D 시야의 예측을 앙상블함으로써 강건성이 향상되었고, 이는 최고 성능의 2D 모델에 기여함.
• 이 연구는 IDH 상태 예측에 있어 2D 모델이 3D 모델보다 더 효과적임을 입증하였으며, 반면 3D 모델은 MGMT 예측에 대해 일반화되지 못함을 보여줌.