[논문 리뷰] DARWIN: A Highly Flexible Platform for Imaging Research in Radiology

Lufan Chang, Wenjing Zhuang외 7명|arXiv (Cornell University)|2020. 09. 02.

Radiomics and Machine Learning in Medical Imaging참고 문헌 24인용 수 9

한 줄 요약

DARWIN은 프로그래밍이 없이도 방사선의학자가 영상의학 연구를 수행할 수 있도록 해주는 웹 기반, GUI 기반 플랫폼이다. 이 플랫폼은 자동화된 특징 추출(1,000개 이상의 특징), 사용자 정의 가능한 머신러닝 파이프라인, 하이퍼파rameter 튜닝이 가능한 엔드 투 엔드 딥러닝 워크플로우를 지원하여 폐 미세형 아데노카르시노마의 침습성 분류에서 90퍼센트 이상의 정확도와 폐 결절 탐지에서 95퍼센트의 민감도를 달성하였다.

ABSTRACT

To conduct a radiomics or deep learning research experiment, the radiologists or physicians need to grasp the needed programming skills, which, however, could be frustrating and costly when they have limited coding experience. In this paper, we present DARWIN, a flexible research platform with a graphical user interface for medical imaging research. Our platform is consists of a radiomics module and a deep learning module. The radiomics module can extract more than 1000 dimension features(first-, second-, and higher-order) and provided many draggable supervised and unsupervised machine learning models. Our deep learning module integrates state of the art architectures of classification, detection, and segmentation tasks. It allows users to manually select hyperparameters, or choose an algorithm to automatically search for the best ones. DARWIN also offers the possibility for users to define a custom pipeline for their experiment. These flexibilities enable radiologists to carry out various experiments easily.

연구 동기 및 목표

• 방사선의학자가 프로그래밍 능력이 제한되어 있는 문제를 해결하기 위해, 영상의학 연구를 위한 코딩이 없는 사용자 友好的 인터페이스를 제공한다.
• 기존 플랫폼이 특정 영상 모odalities만 지원하거나 기능이 적거나 딥러닝 통합이 없는 한계를 극복한다.
• 드래그 앤 드롭 기능을 통해 방사선의학자가 복잡한 머신러닝 파이프라인을 빌드하고 커스터마이징하고 실행할 수 있도록 한다.
• 자동화된 하이퍼파rameter 튜닝과 사용자 정의 가능한 계산 그래프를 통해 방사선학적 특징 추출과 딥러닝 워크플로우를 모두 지원한다.
• 데이터 전처리, 모델 훈련, 시각화, 보고서 생성을 하나의 플랫폼에서 통합함으로써 임상 연구를 촉진한다.

제안 방법

• 웹 기반 액세스를 통해 Windows, macOS, Linux 등 다양한 플랫폼 간 호환성을 확보하기 위해 브라우저/서버(B/S) 아키텍처를 활용한다.
• 의료 영상에서 1차, 2차, 고차 특징을 포함한 1,000개 이상의 방사선학적 특징을 추출하기 위해 PyRadiomics를 통합한다.
• 사용자가 노드를 드래그 앤 드롭하여 이미지 로딩, 전처리, 특징 추출, 모델 훈련 등의 파이프라인을 구축할 수 있는 그래픽 계산 그래프 인터페이스를 제공한다.
• 분류, 탐지, 분할 작업을 위해 지도학습 및 비지도학습 모델(SVM, 랜덤 포레스트 등)과 딥러닝 아키텍처(예: 3D RetinaNet)를 모두 지원한다.
• 모델 성능 향상을 위해 내장된 최적화 알고리즘을 활용해 수동 또는 자동 하이퍼파rameter 튜닝을 가능하게 한다.
• 사용자가 커스텀 파이프라인을 정의하고, 특징 중요도 및 모델 성능 메트릭스를 포함한 고차원 데이터를 시각화할 수 있다.

실험 결과

연구 질문

• RQ1 GUI 기반 플랫폼이 방사선의학자가 방사선학적 특징 추출 및 딥러닝 연구를 수행할 때 프로그래밍 장벽을 줄일 수 있는가?
• RQ2 탄력적이고 사용자 정의 가능한 파이프라인 시스템이 영상의학 실험의 재현성과 효율성을 어느 정도 향상시킬 수 있는가?
• RQ3 방사선학적 특징 추출과 딥러닝의 통합은 복잡한 조직 병변, 예를 들어 재발성 거대세포 뇌신생물과 방사선 유도성 괴사와의 구별에 얼마나 효과적인가?
• RQ4 코딩이 없는 환경에서 자동 특징 선택 및 하이퍼파rameter 튜닝이 폐 결절 분류에서 전문 방사선의사 수준의 성능을 달성하거나 이를 초월할 수 있는가?
• RQ5 이 플랫폼은 다양한 임상 과제에서 다중 모odal 이미징 분석 및 복잡한 모델 훈련을 얼마나 잘 지원하는가?

주요 결과

• DARWIN 플랫폼은 순수 기저핵성 결절의 아데노카르시노마 침습성 예측에서 테스트 정확도 90.24퍼센트를 달성하여, 10년 및 20년 경력의 방사선의학자들을 뛰어넘었다.
• 폐 결절 탐지에서 3D RetinaNet 모델은 1회 스캔당 8개의 가짜 양성 결과에서 0.95 이상의 민감도를 보였으며, 총 10,701건의 CT 스캔으로 구성된 대규모 데이터셋에서 뛰어난 성능을 보였다.
• 플랫폼은 뇌신생물과 괴사 간 조직학적 차이와 관련된 네 가지 핵심 방사선학적 특징—JointEntropy, Strength, MCC, Skewness—를 성공적으로 식별하였다.
• LASSO와 순차적 특징 제거를 활용한 특징 선택을 통해 1,223개의 특징을 6개로 감소시켰으며, 최종 SVM 모델은 테스트 세트에서 높은 특이도(89.66퍼센트)와 민감도(91.67퍼센트)를 보였다.
• 계산 그래프 인터페이스 덕분에 효율적인 모델 훈련과 시각화가 가능했으며, 폐 결절 탐지 파이프라인 전반은 8개의 TITAN RTX GPU를 탑재한 서버에서 총 8시간 동안 실행되었다.
• 실험 보고서 생성 및 고차원 데이터 시각화 기능 덕분에 연구 워크플로우가 간소화되었고, 논문 제출 수준의 분석을 지원하였다.