[논문 리뷰] Fully Automatic Binary Glioma Grading based on Pre-Therapy MRI using 3D Convolutional Neural Networks

Milan Decuyper, Roel Van Holen|arXiv (Cornell University)|2019. 08. 05.

Brain Tumor Detection and Classification참고 문헌 7인용 수 4

한 줄 요약

이 연구는 전치료 MRI를 사용하여 이분법적 간질종 등급 분류를 위한 완전 자동 3D CNN 기반 시스템을 제시한다. 종양 세그멘테이션에 3D U-Net을, 분류에 3D 잔차 네트워크를 통합하였다. 이 시스템은 이질적인 549명 환자 데이터셋에서 91%의 정확도를 기록했고, 독립된 병원 데이터에서는 92%의 정확도를 달성하여 다양한 영상 촬영 프로토콜에 걸쳐 뛰어난 성능을 보였다.

ABSTRACT

The optimal treatment strategy of newly diagnosed glioma is strongly influenced by tumour malignancy. Manual non-invasive grading based on MRI is not always accurate and biopsies to verify diagnosis negatively impact overall survival. In this paper, we propose a fully automatic 3D computer-aided diagnosis (CAD) system to non-invasively differentiate high-grade glioblastoma from lower-grade glioma. The approach consists of an automatic segmentation step to extract the tumour ROI followed by classification using a 3D convolutional neural network. Segmentation was performed using a 3D U-Net achieving a dice score of 88.53% which matches top performing algorithms in the BraTS 2018 challenge. The classification network was trained and evaluated on a large heterogeneous dataset of 549 patients reaching an accuracy of 91%. Additionally, the CAD system was evaluated on data from the Ghent University Hospital and achieved an accuracy of 92% which shows that the algorithm is robust to data from different centres.

연구 동기 및 목표

• 전치료 MRI를 이용하여 고위험도 간질종유형(GBM)과 저위험도 간질종유형(LGG)을 완전 자동으로 비침습적으로 구분할 수 있는 방법을 개발하는 것.
• 비강화 고위험도 종양으로 인해 감도가 낮고(55–83%) 거짓 음성 비율이 높은 수준의 수동 MRI 기반 등급 분류의 한계를 극복하는 것.
• 환자 생존에 악영향을 미치는 침습적 생검에 의존도를 줄이기 위해 정확한 비침습적 진단을 가능하게 하는 것.
• 다양한 영상 촬영 프로토콜과 임상 센터에서의 성능 안정성을 확보하기 위해 다수의 출처에서 확보한 이질적인 대규모 데이터셋을 활용해 훈련하는 것.
• 3D U-Net 세그멘테이션과 3D CNN 분류를 조합한 이중 단계 파이프라인을 통해 기존 CAD 시스템에 비해 최신 기술 수준의 성능을 달성하는 것.

제안 방법

• T1, T1ce, T2 및 FLAIR 시퀀스를 사용하여 285명의 BraTS 2018 환자에서 3D U-Net을 훈련시켜 전체 종양 볼륨을 세그멘테이션하였다. 이때 인스턴스 정규화와 리 leakage ReLU 활성화 함수를 사용하였다.
• 훈련 중 T1 또는 T2/FLAIR 채널을 무작위로 마스킹하여 임상 실무에서 MRI 모odal이 누락되는 경우에도 강건성을 확보하였다.
• 세그멘테이션 모델은 소프트 디스크 손실과 L2 가중치 감소를 사용하였고, 배치 크기가 2인 128×128×128 패치에서 ADAM 최적화를 적용하였다.
• T1ce 스캔에서 종양 영역의 관심 영역(ROIs)을 추출하고, 112×112×112 크기로 조정한 후, 1개의 7×7 커널 컨볼루션과 4개의 잔차 블록을 포함한 3D 잔차 분류 네트워크에 입력하였다.
• 분류 네트워크는 모멘터럼을 사용하는 SGD, L2 가중치 감소, 실시간 데이터 증강(뒤집기, 회전, 팞딩)을 적용하여 과적합을 방지하였다.
• 시스템은 400명의 환자(GBM 200명, LGG 200명)에서 훈련하고, 69명에서 검증하며, TCIA 환자 80명과 브뤼셀 대학 병원에서의 112명의 환자에서 테스트하였다. 세그멘테이션 및 분류 모델 간에 훈련 및 테스트 데이터에 중복 없이 분리하였다.

실험 결과

연구 질문

• RQ1 전혀 자동화된 3D CNN 파이프라인은 전치료 MRI만을 사용하여 고위험도 간질종유형(GBM)과 저위험도 간질종유형(LGG)을 높은 정확도로 구분할 수 있는가?
• RQ2 다른 영상 촬영 프로토콜을 가진 병원에서 독립된 다중 센터 데이터에서 시스템의 성능은 어떠한가?
• RQ3 데이터 증강 및 모달리티 마스킹을 사용할 경우, MRI 시퀀스 누락에 대한 강건성은 어느 정도 향상되는가?
• RQ4 이중 단계 접근법(세그멘테이션 → 3D CNN 분류)은 기존 CAD 시스템에 비해 최신 기술 수준의 성능을 달성하는가?
• RQ5 브라운스(BraTS)와 같은 벤치마크 데이터셋을 초월하여 실제 임상 환경의 데이터에 효과적으로 일반화되는가?

주요 결과

• 3D U-Net은 BraTS 2018 테스트 세트에서 네 가지 MRI 시퀀스를 모두 사용할 경우 88.53%의 디스크 스코어를 기록하여 최신 기술 수준의 성능를 달성하였다.
• TCIA 테스트 세트에서 시스템은 91.25%의 정확도, 96.29%의 AUC, 82.19%의 MCC를 기록하여 높은 진단 성능를 입증하였다.
• 브뤼셀 대학 병원의 독립된 데이터에서 시스템은 91.96%의 정확도, 93.39%의 AUC, 83.91%의 MCC를 기록하여 센터 간 차이에 대한 강건성을 확인하였다.
• TCIA에서의 민감도는 91.18%였고, 병원 데이터에서는 90.48%였으며, 이는 고위험도 간질종유형 환자의 강력한 탐지 능력을 시사한다.
• TCIA에서의 특이도는 91.30%였고, 병원 데이터에서는 93.88%였으며, 저위험도 간질종유형을 정확하게 식별하는 능력을 보여주었다.
• T1ce와 FLAIR 또는 T1ce와 T2 시퀀스만 존재하는 경우에도 모델이 높은 성능를 유지하여, 불완전한 데이터에 대한 강력한 일반화 능력을 입증하였다.