[논문 리뷰] Discovery Radiomics for Computed Tomography Cancer Detection

Devinder Kumar, Mohammad Javad Shafiee외 4명|arXiv (Cornell University)|2015. 09. 01.

Radiomics and Machine Learning in Medical Imaging인용 수 26

한 줄 요약

이 연구는 폐 종양이 악성 또는 양성인지 분류하기 위해 CT 영상에서 맞춤형 영상학적 순서를 자동으로 발견하는 새로운 딥러닝 기반 접근법인 디스커버리 레디오믹스를 소개한다. LIDC-IDRI 데이터셋을 기반으로 딥 컨volution 뉴럴 네트워크를 적용한 결과, 10겹 교차검증에서 77.52%의 정확도, 79.06%의 민감도, 76.11%의 특이도를 기록하여 기존 최고 수준의 방법들을 능가한다.

ABSTRACT

Objective: Lung cancer is the leading cause for cancer related deaths. As such, there is an urgent need for a streamlined process that can allow radiologists to provide diagnosis with greater efficiency and accuracy. A powerful tool to do this is radiomics. Method: In this study, we take the idea of radiomics one step further by introducing the concept of discovery radiomics for lung cancer detection using CT imaging data. Rather than using pre-defined, hand-engineered feature models as with current radiomics-driven methods, we discover custom radiomic sequencers that can generate radiomic sequences consisting of abstract imaging-based features tailored for characterizing lung tumour phenotype. In this study, we realize these custom radiomic sequencers as deep convolutional sequencers using a deep convolutional neural network learning architecture based on a wealth of CT imaging data. Results: To illustrate the prognostic power and effectiveness of the radiomic sequences produced by the discovered sequencer, we perform a classification between malignant and benign lesions from 93 patients with diagnostic data from the LIDC-IDRI dataset. Using the clinically provided diagnostic data as ground truth, proposed framework provided an average accuracy of 77.52% via 10-fold cross-validation with a sensitivity of 79.06% and specificity of 76.11%. We also perform quantitative analysis to establish the effectiveness of the radiomics sequences. Conclusion: The proposed framework outperforms the state-of-the art approach for lung lesion classification. Significance: These results illustrate the potential for the proposed discovery radiomics approach in aiding radiologists in improving screening efficiency and accuracy.

연구 동기 및 목표

• 의료 영상 기반 폐암 진단의 정확도와 효율성을 향상시킬 긴급한 필요성을 해결하기 위해.
• 수작업으로 설계된 사전 정의된 특징에 의존하는 전통적 레디오믹스의 한계를 극복하기 위해.
• 폐 종양 표현형에 맞게 최적화된 레디오믹 시퀀스를 자동으로 발견하는 데이터 기반 프레임워크를 개발하기 위해.
• CT 영상 기반으로 영상의학자들의 걸러내기 효율성과 진단 정확도를 향상시키기 위해.

제안 방법

• 프레임워크는 CT 영상 데이터로부터 직접 맞춤형 레디오믹 시퀀서를 학습하는 딥 컨volution 뉴럴 네트워크(DCNN)를 활용한다.
• DCNN 아키텍처는 대규모 폐 CT 스캔 데이터셋에서 학습되어 추상적이고 영상 기반의 특징을 추출한다.
• 학습된 시퀀서에 의해 생성된 레디오믹 시퀀스는 복잡한 종양 표현형 패턴을 나타낸다.
• 이 방법은 원시 또는 전처리된 CT 데이터로부터 특징 표현을 종단 간(end-to-end)으로 학습함으로써 수작업 특징 설계를 회피한다.
• LIDC-IDRI 데이터셋의 진단 기준 진위를 기반으로 한 모델 성능 평가를 위해 10겹 교차검증 전략을 사용한다.
• 표준 지표인 정확도, 민감도, 특이도를 사용하여 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 데이터 기반의 종단 간 딥러닝 접근법은 전통적인 수작업 특징 설계 방식보다 폐 종양 분류에 더 효과적인 레디오믹 시퀀스를 발견할 수 있는가?
• RQ2 발견된 레디오믹 시퀀서의 성능은 악성과 양성 폐 병변을 구분하는 데 있어 기존 최고 수준의 레디오믹스 방법과 비교해 어떻게 되는가?
• RQ3 제안된 디스커버리 레디오믹스 프레임워크는 CT 영상 기반 폐암 걸러내기에서 진단 정확도와 민감도를 얼마나 향상시킬 수 있는가?
• RQ4 학습된 시퀀서가 생성한 레디오믹 시퀀스는 임상 분류 과제에서 예후적 가치를 얼마나 지니는가?

주요 결과

• 제안된 디스커버리 레디오믹스 프레임워크는 LIDC-IDRI 데이터셋 기반 10겹 교차검증을 통해 폐 병변의 악성 또는 양성 분류 평균 정확도 77.52%를 달성했다.
• 모델은 악성 종양을 정확히 식별할 수 있는 강력한 능력을 보이며 민감도 79.06%를 기록했다.
• 특이도는 76.11%로 양성 병변의 신뢰할 수 있는 탐지 능력을 반영했다.
• LIDC-IDRI 데이터셋을 사용한 폐 병변 분류 과제에서 기존 최고 수준의 접근법을 능가하는 성능을 보였다.
• 정량적 분석을 통해 발견된 시퀀서가 생성한 레디오믹 시퀀스의 효과성과 예후적 파워를 확인했다.
• 결과적으로 디스커버리 레디오믹스는 영상의학적 걸러내기 효율성과 진단 정확도를 크게 향상시킬 수 있음을 시사한다.