[논문 리뷰] Discovery Radiomics via StochasticNet Sequencers for Cancer Detection

Mohammad Javad Shafiee, Audrey G. Chung외 4명|arXiv (Cornell University)|2015. 11. 11.

Radiomics and Machine Learning in Medical Imaging참고 문헌 10인용 수 17

한 줄 요약

이 논문은 수동으로 설계된 특징 집합을 우회하기 위해 폐 CT 영상에서 데이터 기반의 맞춤형 영상학적 특징을 자동으로 학습할 수 있는 StochasticNet 영상학적 순서기 기반의 발견 기반 영상학적 프레임워크를 제안한다. 이 방법은 확률적이고 흐린 연결을 가진 깊이 신경망 아키텍처를 활용하여 42,340개의 폐 병변을 분류하는 데 84.49%의 정확도를 달성하며, 이는 이전 최고 수준의 방법들보다 민감도(91.07%)와 특이도(75.98%)에서 뛰어나다.

ABSTRACT

Radiomics has proven to be a powerful prognostic tool for cancer detection, and has previously been applied in lung, breast, prostate, and head-and-neck cancer studies with great success. However, these radiomics-driven methods rely on pre-defined, hand-crafted radiomic feature sets that can limit their ability to characterize unique cancer traits. In this study, we introduce a novel discovery radiomics framework where we directly discover custom radiomic features from the wealth of available medical imaging data. In particular, we leverage novel StochasticNet radiomic sequencers for extracting custom radiomic features tailored for characterizing unique cancer tissue phenotype. Using StochasticNet radiomic sequencers discovered using a wealth of lung CT data, we perform binary classification on 42,340 lung lesions obtained from the CT scans of 93 patients in the LIDC-IDRI dataset. Preliminary results show significant improvement over previous state-of-the-art methods, indicating the potential of the proposed discovery radiomics framework for improving cancer screening and diagnosis.

연구 동기 및 목표

• 유일한 암 표현형을 포착하지 못하는 수동으로 설계된 영상학적 특징의 한계를 극복하기 위해.
• 대규모 의료 영상 데이터에서 직접 맞춤형 영상학적 특징을 발견하는 프레임워크를 개발하기 위해.
• 확률적이고 파rameter 효율적인 딥 러닝 아키텍처를 활용하여 암 검출 정확도를 향상시키기 위해.
• 데이터 기반 특징 발견을 통해 보다 개인화되고 정밀한 암 스크리닝 및 진단을 가능하게 하기 위해.
• LIDC-IDRI 컬렉션에서 유래한 대규모 보완된 병변 데이터셋을 기반으로 프레임워크를 검증하기 위해.

제안 방법

• 프레임워크는 신경 연결이 확률적 연결 모델에 기반해 형성되는 깊이 신경망 아키텍처인 깊이 컨volution 신경망(StochasticNet) 아키텍처를 사용한다.
• StochasticNet 영상학적 순서기는 각각 32, 32, 64의 수용장역(5×5)을 가지며, 연결 확률이 0.5인 균일한 확률 모델을 적용한 3개의 컨볼루션 레이어로 구성되어 있다.
• 이 확률적 연결 방식은 완전 연결 CNN에 비해 약 50%의 파라미터 수를 감소시켜 더 빠른 훈련과 추론을 가능하게 한다.
• 영상학적 순서기는 LIDC-IDRI 데이터셋의 93명 환자에서 유래한 42,340개의 병변으로 구성된 대규모 보완된 데이터셋에서 엔드 투 엔드로 훈련된다.
• 45° 및 10°의 회전을 통한 데이터 증강은 병변의 다양성을 증가시키고 일반화 능력을 향상시킨다.
• 발견된 순서기는 각 병변에 대해 맞춤형 영상학적 시퀀스를 생성하며, 이는 양성과 악성 조직을 이진 분류하는 데 사용된다.

실험 결과

연구 질문

• RQ1 데이터 기반의 발견 기반 영상학적 프레임워크는 전통적인 수동으로 설계된 영상학적 특징 집합보다 폐암 검출에서 뛰어난 성능을 보일 수 있는가?
• RQ2 확률적이고 흐린 연결을 가진 딥 러닝 아키텍처(StochasticNet)는 의료 영상 데이터에서 맞춤형 영상학적 특징을 학습하는 데 얼마나 효과적인가?
• RQ3 제안된 프레임워크는 최고 수준의 방법들에 비해 폐 병변 분류의 민감도와 특이도를 얼마나 향상시키는가?
• RQ4 데이터 증강과 확률적 연결을 활용하면 과적합을 줄이면서도 높은 분류 정확도를 유지할 수 있는가?
• RQ5 맞춤형 영상학적 특징의 발견은 실제 다양한 CT 영상 데이터에서 더 뛰어난 성능을 내는가?

주요 결과

• StochasticNet 영상학적 순서기(SNRS)는 보완된 LIDC-IDRI 데이터셋의 42,340개 폐 병변에서 총 정확도 84.49%를 달성했다.
• SNRS는 민감도 91.07%를 보였으며, 믿음 기반 决策 트리(BDT) 및 딥 오토에코딩 영상학적 순서기(DARS) 방법보다 뚜렷이 뛰어났다.
• SNRS의 특이도는 75.98%였으며, DARS(20.18%)보다 훨씬 높아 악성과 양성 병변을 더 잘 구분하는 데에 유리하다.
• 제안된 프레임워크는 최고 수준의 DARS 방법(정확도 75.01%, 특이도 낮음)을 뛰어넘었다.
• 확률적 연결 덕분에 파라미터 수가 적어 더 빠른 훈련과 추론이 가능했으며, 높은 성능을 달성했다.
• 결과적으로 StochasticNet 순서기를 통한 발견 기반 영상학적 접근은 전통적인 수동으로 설계된 특징을 넘어서는 추상적이고 표현형 특이적 특징을 발견할 수 있으며, 이는 암 검출 능력을 향상시킨다.