[논문 리뷰] Encoding Clinical Priori in 3D Convolutional Neural Networks for Prostate Cancer Detection in bpMRI

Anindo Saha, Matin Hosseinzadeh외 1명|arXiv (Cornell University)|2020. 10. 31.

Prostate Cancer Diagnosis and Treatment참고 문헌 24인용 수 6

한 줄 요약

이 논문은 3D U-Net 아키텍처에 임상 전문 지식을 통합하여 이중 모드 자기공명영상(bpMRI)에서 전립선암 검출 성능을 향상시키는 방법을 제안한다. 700개의 훈련 스캔에서 유도된 영역 해부학적 특성과 병변 유병률 기반의 확률적 인구 전문 지식을 구축함으로써, 제한된 방사선의사 추정 주석이 존재하는 상황에서도 네 가지 3D CNN 아키텍처에서 환자 기반 진단(최대 8.70% AUROC 향상)과 병변 수준 검출(평균 1.08 pAUC 향상) 성능이 향상됨을 입증하였다.

ABSTRACT

We hypothesize that anatomical priors can be viable mediums to infuse domain-specific clinical knowledge into state-of-the-art convolutional neural networks (CNN) based on the U-Net architecture. We introduce a probabilistic population prior which captures the spatial prevalence and zonal distinction of clinically significant prostate cancer (csPCa), in order to improve its computer-aided detection (CAD) in bi-parametric MR imaging (bpMRI). To evaluate performance, we train 3D adaptations of the U-Net, U-SEResNet, UNet++ and Attention U-Net using 800 institutional training-validation scans, paired with radiologically-estimated annotations and our computed prior. For 200 independent testing bpMRI scans with histologically-confirmed delineations of csPCa, our proposed method of encoding clinical priori demonstrates a strong ability to improve patient-based diagnosis (upto 8.70% increase in AUROC) and lesion-level detection (average increase of 1.08 pAUC between 0.1-10 false positives per patient) across all four architectures.

연구 동기 및 목표

• 도메인 특화 임상 지식을 활용하여 이중 모드 자기공명영상(bpMRI)에서 임상적으로 중요한 전립선암(csPCa)의 컴퓨터 보조 검출 성능을 향상시키는 것.
• 제한적이고 노이즈가 많은 훈련 데이터 문제를 해결하기 위해 해부학적 및 유병률 전문 지식을 딥 러닝 모델에 통합하는 것.
• 명시적인 해부학적 전문 지식이 다양한 3D U-Net 아키텍처에서 csPCa 검출 성능 향상에 기여하는지 평가하는 것.
• 히스토로지적으로 확인된 경우에서 방사선의사 추정 주석을 초월해 전문 지식이 일반화 성능을 향상시킬 수 있음을 입증하는 것.

제안 방법

• 700개의 훈련 bpMRI 스캔에서 방사선의사 추정 csPCa 주석과 CNN 기반 전립선 영역 분할 결과를 이용해 확률적 인구 전문 지식 $P$를 구축한다.
• 전문 지식은 공간적 가능도를 인코딩한다: 배경은 0.00, 전이 영역(TZ)은 $\mu$, 주변 영역(PZ)은 $3\mu$, 악성 병변은 1.00이며, $\mu \in [0, 0.33]$는 학습 가능한 초매개변수이다.
• 각 스캔에서 사례별 전립선 분할 결과를 이용해 전문 지식 $P$를 정렬함으로써 비틀림 없는 정렬 없이도 공간적 대응을 확보한다.
• 전문 지식는 3D U-Net, U-SEResNet, UNet++, Attention U-Net 아키텍처의 훈련 과정에서 보조 supervision 신호로 통합된다.
• 히스토로지적으로 확인된 csPCa 경계를 포함한 200개의 독립 테스트 스캔에서 AUROC와 pAUC 지표를 사용해 성능을 평가한다.
• 제거 분석에서는 기준 모델(전문 지식 없음)과 대비하여 유병률 전문 지식($\mu=0.00$), 영역 전문 지식($\mu=0.33$), 하이브리드 전문 지식($\mu=0.01$)을 포함한 변종을 비교한다.

실험 결과

연구 질문

• RQ1 데이터 기반의 확률적 인구 전문 지식이 bpMRI에서 3D CNN의 csPCa 검출 성능 향상에 기여할 수 있는가?
• RQ2 해부학적 영역 구조와 병변 유병률을 통합할 경우 병변 수준 및 환자 기반 검출 성능에 어떤 영향을 미치는가?
• RQ3 훈련 데이터가 제한적이고 주석이 방사선의사가 추정한 경우에 전문 지식이 모델의 강인성 향상에 기여하는가?
• RQ4 다양한 주의 메커니즘과 스킵 연결을 가진 다양한 3D U-Net 아키텍처에서 전문 지식의 성능은 어떻게 나타나는가?

주요 결과

• 하이브리드 전문 지식($\mu=0.01$)을 사용할 경우, 네 가지 3D CNN 아키텍처 전반에서 환자 기반 진단 성능이 최대 8.70% 향상되어 AUROC가 향상됨을 확인하였다.
• 병변 수준 검출에서는 모든 FROC 설정에서 환자당 0.1~10개의 가짜 양성 결과에서 평균 pAUC가 1.08 향상됨을 관찰하였다.
• 하이브리드 전문 지식을 사용할 경우 Attention U-Net이 AUROC 0.790 \pm 0.066을 기록하여 기준 모델의 0.711 \pm 0.078을 초월하였다.
• 영역 전문 지식($\mu=0.33$)은 AUROC 및 pAUC 모두에서 유병률 전문 지식($\mu=0.00$)을 항상 앞서며 해부학적 영역 분류의 가치를 입증하였다.
• 모든 아키텍처에서 전문 지식 통합으로 인한 성능 향상이 관찰되어, 다양한 네트워크 설계 및 주의 메커니즘에서도 강인함을 입증하였다.
• 제한된 훈련 데이터와 방사선의사 추정 주석 조건에서도 성능 향상이 유지되어 히스토로지적으로 확인된 사례로의 일반화 능력 향상이 가능함을 시사하였다.