[논문 리뷰] Discovery Radiomics for Multi-Parametric MRI Prostate Cancer Detection

Audrey G. Chung, Mohammad Javad Shafiee외 4명|arXiv (Cornell University)|2015. 09. 01.

Radiomics and Machine Learning in Medical Imaging참고 문헌 38인용 수 13

한 줄 요약

이 논문은 다중 영상 모드 MRI 데이터에서 자동으로 맞춤형 영상학적 시퀀스를 생성하는 발견 기반 영상학적 프레임워크를 제안하여 전립선암 검출을 향상시킨다. 깊이 학습된 컨volutional 네트워크를 사용해 종양 특이적 특징을 학습함으로써, 기존의 수작업으로 구성된 영상학적 시퀀서보다 우수한 성능을 기록하여 감도 64.00%, 특이도 82.48%, 정확도 73.65%를 달성하였으며, 감도와 정확도에서 통계적으로 유의미한 향상이 있었다.

ABSTRACT

Prostate cancer is the most diagnosed form of cancer in Canadian men, and is the third leading cause of cancer death. Despite these statistics, prognosis is relatively good with a sufficiently early diagnosis, making fast and reliable prostate cancer detection crucial. As imaging-based prostate cancer screening, such as magnetic resonance imaging (MRI), requires an experienced medical professional to extensively review the data and perform a diagnosis, radiomics-driven methods help streamline the process and has the potential to significantly improve diagnostic accuracy and efficiency, and thus improving patient survival rates. These radiomics-driven methods currently rely on hand-crafted sets of quantitative imaging-based features, which are selected manually and can limit their ability to fully characterize unique prostate cancer tumour phenotype. In this study, we propose a novel extit{discovery radiomics} framework for generating custom radiomic sequences tailored for prostate cancer detection. Discovery radiomics aims to uncover abstract imaging-based features that capture highly unique tumour traits and characteristics beyond what can be captured using predefined feature models. In this paper, we discover new custom radiomic sequencers for generating new prostate radiomic sequences using multi-parametric MRI data. We evaluated the performance of the discovered radiomic sequencer against a state-of-the-art hand-crafted radiomic sequencer for computer-aided prostate cancer detection with a feedforward neural network using real clinical prostate multi-parametric MRI data. Results for the discovered radiomic sequencer demonstrate good performance in prostate cancer detection and clinical decision support relative to the hand-crafted radiomic sequencer. The use of discovery radiomics shows potential for more efficient and reliable automatic prostate cancer detection.

연구 동기 및 목표

• 수작업으로 구성된 영상학적 특징가 전립선 종양의 고유한 표현형을 포착하는 데에 한계가 있음을 해결한다.
• MRI 기반 전립선암 진단에서의 관찰자 간 및 관찰자 내 변동성을 줄인다.
• 다중 영상 모드 MRI를 활용한 컴퓨터 보조 전립선암 진단의 정확도와 효율성을 향상시킨다.
• 전립선암 특성에 맞게 조정된 영상학적 시퀀스를 탐색할 수 있는 데이터 기반 프레임워크를 개발한다.
• 고도화된 영상학적 특징 탐색을 통해 더 신뢰할 수 있고 일관되며 개인화된 암 위험도 분류를 가능하게 한다.

제안 방법

• 딥 컨volution 네트워크를 사용해 다중 영상 모드 MRI 데이터에서 직접 맞춤형 영상학적 시퀀스를 학습하는 발견 기반 영상학적 프레임워크를 제안한다.
• 발견된 시퀀서에 의해 추출된 영상학적 특징을 기반으로 피드포워드 신경망을 훈련하여 종양 후보 분류를 수행한다.
• 실제 임상적 다중 영상 모드 MRI 데이터에서 성능을 평가하기 위해 한 환자씩 제외하는 교차 검증 전략을 사용한다.
• 건강한 조직과 종양 조직 간의 특징 분리 가능성 평가를 위해 피셔 기준을 적용한다.
• 기존의 수작업으로 구성된 영상학적 시퀀서와의 성능 차이에 대한 통계적 유의성을 평가하기 위해 대응된 양측 t-검정을 사용한다.
• 기존 영상학적 모델을 초월하는 고차원적이고 추상적인 영상 특징을 생성하기 위해 깊이 학습 기반 특징 추출 파이프라인을 활용한다.

실험 결과

연구 질문

• RQ1 발견 기반 영상학적 프레임워크는 수작업으로 구성된 특징보다 건강한 조직과 종양 조직 간의 차이를 더 잘 식별할 수 있는 영상학적 시퀀스를 생성할 수 있는가?
• RQ2 최신 수준의 수작업으로 구성된 영상학적 시퀀서와 비교했을 때, 발견된 영상학적 시퀀서의 감도, 특이도 및 정확도 성능은 어떠한가?
• RQ3 기존 방법과 비교했을 때 진단 성능 향상이 통계적으로 유의미한가?
• RQ4 발견된 영상학적 시퀀스는 악성 및 양성 조직 간의 특징 분리 가능성에 얼마나 기여하는가?
• RQ5 기존 영상학적 접근 방식과 비교했을 때, 이 프레임워크는 주요 진단 지표에서 더 균형 잡히고 일관된 성능을 보일 수 있는가?

주요 결과

• 발견된 영상학적 시퀀서는 종양 후보를 분류하는 데 있어 감도 64.00%, 특이도 82.48%, 정확도 73.65%를 기록하였으며, 이는 수작업으로 구성된 시퀀서 [30]과 [31]을 모두 초월하였다.
• 감도 향상은 [30]과 비교해 통계적으로 유의미했으며 (p = 0.0029), [31]과 비교해서도 통계적으로 유의미했으며 (p = 0.0277), 종양 조직의 탐지 능력 향상이 확인되었다.
• 정확도 향상은 [30]과 비교해 통계적으로 유의미했으며 (p = 0.0133), 전체 분류 성능 향상이 입증되었다.
• 발견된 영상학적 시퀀서는 최고의 피셔 기준 점수(0.0712)를 기록하여 건강한 조직과 종양 조직 간 특징의 분리 가능성에서 뛰어난 성능을 보였다.
• 수작업으로 구성된 시퀀서가 한 경우 감도가 낮고 특이도가 높은 등 상충 관계가 있었던 것과 달리, 이 방법은 지표 간 일관성 있는 성능을 보였다.
• 결과적으로 발견 기반 영상학적 접근법이 전립선암의 기저 유전자 표현형 다양성을 더 잘 반영하는 생물학적으로 관련성이 높고 종양 특이적 특징을 생성할 수 있음을 시사한다.