[논문 리뷰] Effect of Adding Probabilistic Zonal Prior in Deep Learning-based Prostate Cancer Detection

Matin Hosseinzadeh, Patrick Brand외 1명|arXiv (Cornell University)|2019. 07. 29.

Prostate Cancer Diagnosis and Treatment참고 문헌 5인용 수 5

한 줄 요약

이 논문은 2D U-Net 및 3D U-Net 아키텍처를 사용하여 확률적 영역 전처리 정보를 딥러닝 기반 전립선암 검출 모델에 통합하는 방법을 제안한다. 비등방성 3D U-Net를 통해 생성된 확률적 영역 분할을 조기 또는 후기 융합 전략을 통해 모델에 융합함으로써 검출 성능을 향상시켰으며, 특히 확률적 맵의 조기 융합이 환자당 0.5개의 가짜 양성 결과에서 최고의 민감도(0.795)를 기록하여 기준 모델 및 결정론적 융합 방법을 모두 능가했다. 이는 848건의 bpMRI 환자에 대한 결과이다.

ABSTRACT

We propose and evaluate a novel method for automatically detecting clinically significant prostate cancer (csPCa) in bi-parametric magnetic resonance imaging (bpMRI). Prostate zones play an important role in the assessment of prostate cancer on MRI. We hypothesize that the inclusion of zonal information can improve the performance of a deep learning based csPCa lesion detection model. However, segmentation of prostate zones is challenging and therefore deterministic models are inaccurate. Hence, we investigated probabilistic zonal segmentation. Our baseline detection model is a 2DUNet trained to produce a csPCa heatmap followed by a 3D detector. We experimented with the integration of zonal prior information by fusing the output of an anisotropic 3DUNet trained to produce either a deterministic or probabilistic map for each prostate zone. We also investigate the effect of early or late fusion on csPCa detection. All methods were trained and tested on 848 bpMRI. The results show that fusing zonal prior knowledge improves the baseline detection model with a preference for probabilistic over deterministic zonal segmentation.

연구 동기 및 목표

• 비파라미터적 MRI에서 임상적으로 중요한 전립선암(csPCa) 검출을 위한 딥러닝 기반 방법의 성능 향상을 위해 영역 전처리 지식을 통합하고자 한다.
• 결정론적 분할 대비 확률적 영역 분할이 csPCa 검출에 더 나은 전처리 정보를 제공하는지 조사하고자 한다.
• 2D U-Net 병변 검출 모델에 영역 전처리 정보를 통합하기 위한 조기 융합과 후기 융합 전략의 영향을 평가하고자 한다.
• 자동 분할에서 모호한 전립선 영역 경계로 인해 결정론적 모델의 정확도가 제한되는 문제를 해결하고자 한다.
• 학습 데이터가 제한된 상황에서 확률적 영역 맵에서 유도된 전처리 지식이 모델 성능 향상에 기여할 수 있음을 입증하고자 한다.

제안 방법

• 3채널 입력(T2W, ADC, DWI)을 사용해 2D U-Net을 학습시켜 csPCa 병변 히트맵을 생성하고, 이후 3D 볼륨 히트맵 집계 및 이중 임계값 병변 분할을 수행하였다.
• 53건의 T2W 영상에서 수작업으로 수행된 영역 분할을 기반으로 비등방성 3D U-Net을 미세조정하여 모든 848건의 환자에 대해 확률적 및 결정론적 영역 맵을 생성하였다.
• 조기 융합은 영역 맵을 2D U-Net의 추가 입력 채널로 연결하는 방식이었고, 후기 융합은 1×1 컨볼루션 레이어 이전의 최종 특징 맵에 영역 맵을 추가하는 방식이었다.
• 과적합을 줄이기 위해 학습 중 데이터 증강을 적용하였고, Adam 최적화기를 사용하여 가중치가 반영된 교차 엔트로피 손실 함수와 10⁻⁵의 학습률로 모델을 최적화하였다.
• 모델 선택은 자유응답 ROC(FROC) 곡선 상 다수의 점에서의 평균 민감도를 기반으로 이루어졌다.
• 학습, 검증, 테스트 세트로 데이터를 분할하기 위해 분层 샘플링을 사용하여 csPCa 분포가 균형을 이루도록 하였다(비율 3:1:1).

실험 결과

연구 질문

• RQ1 확률적 영역 전처리 정보를 통합함으로써 딥러닝 기반 csPCa 병변 검출 성능이 향상되는가?
• RQ2 결정론적 분할 대비 확률적 영역 분할이 csPCa 검출에서 더 효과적인 전처리 정보를 제공하는가?
• RQ3 병변 검출 파이프라인에서 영역 전처리 정보를 조기 융합하는 것이 후기 융합보다 더 높은 성능을 내는가?
• RQ4 의료 영상 분석에서 애매한 레이블이 부족한 학습 데이터 상황에서 영역 분할에서 유도된 전처리 지식이 보완 기능을 할 수 있는가?
• RQ5 영역 전처리 정보의 포함 여부가 다양한 가짜 양성 비율에서 민감도에 어떤 영향을 미치는가?

주요 결과

• 확률적 영역 맵의 조기 융합이 환자당 0.5개의 가짜 양성 결과에서 최고의 민감도 0.795를 기록하여 기준 모델(0.760) 대비 4.5% 향상되었다.
• 확률적 조기 융합 모델은 환자당 1개의 가짜 양성 결과에서 88.7%의 민감도를 기록하여 기준 모델(82.5%) 및 결정론적 융합 방법(80.2%–81.6%)을 크게 능가했다.
• 모든 가짜 양성 비율에서 확률적 영역 전처리 정보가 검출 성능 향상에 기여하였으며, 특히 낮은 가짜 양성 비율에서 가장 큰 향상이 관찰되었다.
• 후기 융합을 통해 확률적 맵를 통합한 경우 환자당 1개의 가짜 양성 결과에서 민감도 87.3%를 기록하여 기준 모델 및 결정론적 후기 융합을 능가했지만, 조기 융합보다는 성능이 열등했다.
• 결정론적 영역 전처리 정보는 기준 모델 대비 민감도가 0.760에서 0.774로 뿐만 아니라 약간의 향상에 그쳤다.
• 결과는 모호한 영역 경계를 분할할 때 확률적 영역 전처리 정보가 결정론적 정보보다 더 효과적이며, 특히 데이터가 적은 상황에서 성능 향상에 기여함을 보여주었다.