[논문 리뷰] Deep Convolutional Neural Networks for Imaging Data Based Survival Analysis of Rectal Cancer

Hongming Li, Pamela Boimel외 5명|arXiv (Cornell University)|2019. 01. 05.

Radiomics and Machine Learning in Medical Imaging참고 문헌 17인용 수 13

한 줄 요약

이 논문은 직장암 환자의 생존 분석을 위한 영상 특징을 추출하기 위해 공간 피라미드 풀링을 적용한 컨볼루션 신경망(CNN)을 사용하는 딥러닝 프레임워크를 제안한다. Cox 비례 위험 모델 내에서 이러한 특징을 최적화함으로써, 시뮬레이션된 데이터와 실제 FDG-PET/CT 데이터셋에서 기존의 수작업으로 생성된 특징에 기반한 전통적인 방사성 영상학적 접근법보다 경쟁력 있는 생존 예측 성능을 달성한다.

ABSTRACT

Recent radiomic studies have witnessed promising performance of deep learning techniques in learning radiomic features and fusing multimodal imaging data. Most existing deep learning based radiomic studies build predictive models in a setting of pattern classification, not appropriate for survival analysis studies where some data samples have incomplete observations. To improve existing survival analysis techniques whose performance is hinged on imaging features, we propose a deep learning method to build survival regression models by optimizing imaging features with deep convolutional neural networks (CNNs) in a proportional hazards model. To make the CNNs applicable to tumors with varied sizes, a spatial pyramid pooling strategy is adopted. Our method has been validated based on a simulated imaging dataset and a FDG-PET/CT dataset of rectal cancer patients treated for locally advanced rectal cancer. Compared with survival prediction models built upon hand-crafted radiomic features using Cox proportional hazards model and random survival forests, our method achieved competitive prediction performance.

연구 동기 및 목표

• 이석 관찰이 있는 의료 영상 데이터를 대상으로 한 딥러닝 기반 생존 분석 방법을 개발한다.
• 기존의 수작업으로 생성된 특징에 의존하고 생존 결과에 부적절한 분류 프레임워크를 사용하는 기존 방사성 영상학적 모델의 한계를 극복한다.
• 비례 위험 프레임워크를 활용해 딥 테처 러닝과 생존 모델링을 통합한다.
• CNN 내의 공간 피라미드 풀링을 통해 크기가 다른 종양에서도 강력한 특징 추출을 가능하게 한다.
• 지역적으로 진행된 직장암 환자에 대한 시뮬레이션된 데이터셋과 실제 FDG-PET/CT 데이터셋을 기반으로 방법을 검증한다.

제안 방법

• 의료 영상 스캔에서 계층적인 영상 특징을 추출하기 위해 딥 컨볼루션 신경망(CNN)을 학습시킨다.
• 다양한 크기의 종양을 처리하고 특징 일반화를 향상시키기 위해 공간 피라미드 풀링을 적용한다.
• 학습된 특징을 Cox 비례 위험 모델에 입력하여 생존 결과를 예측한다.
• 딥 테처를 활용한 Cox 모델의 부분 우도를 최적화함으로써 모델을 엔드 투 엔드로 학습시킨다.
• 프레임워크는 시뮬레이션된 데이터셋과 실제 직장암 환자의 FDG-PET/CT 데이터셋을 대상으로 평가된다.
• 수작업으로 생성된 방사성 영상학적 특징과 무작위 생존 숲을 사용한 베이스라인 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 딥 CNN이 직장암에서 생존 예측 성능 향상에 기여하는 영상 특징을 효과적으로 학습할 수 있는가?
• RQ2 공간 피라미드 풀링의 통합이 크기가 다른 종양 간에서 모델의 강건성에 어떻게 기여하는가?
• RQ3 CNN 기반 생존 모델은 기존의 수작업으로 생성된 특징을 사용하는 전통적 방사성 영상학적 접근법보다 우수한가?
• RQ4 제안된 방법은 시뮬레이션된 데이터와 실제 임상 영상 데이터에서 각각 어떻게 성능을 발휘하는가?
• RQ5 생존 모델 프레임워크 내에서 딥 테처의 엔드 투 엔드 학습이 예후 정확도 향상에 기여하는가?

주요 결과

• 제안된 방법은 수작업으로 생성된 방사성 영상학적 특징 기반 모델과 무작위 생존 숲과 비교해 경쟁력 있는 생존 예측 성능를 달성했다.
• 공간 피라미드 풀링의 통합을 통해 크기가 다른 종양에서 효과적인 특징 추출이 가능했다.
• 모델은 시뮬레이션된 데이터셋과 실제 FDG-PET/CT 데이터셋 모두에서 강건성과 일반화 능력을 입증했다.
• 딥러닝 기반 접근법이 생존 예측 정확도에서 기존의 전통적 방사성 영상학적 모델을 능가했다.
• 결과는 생존 분석 프레임워크 내에서 엔드 투 엔드 딥러닝을 적용하는 것이 가능하다는 것을 검증했다.
• 이 방법은 직장암 환자에 대한 개인화된 예후 진단에 임상적 적용 가능성이 있다.