[논문 리뷰] Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network

Chun-Hung Chao, Zhuotun Zhu외 11명|arXiv (Cornell University)|2020. 08. 29.

Radiomics and Machine Learning in Medical Imaging참고 문헌 28인용 수 4

한 줄 요약

이 논문은 종양의 크기와 해부학적 변동성이 높아 종종 간과되는 소형 전이 의심 림프절(ослн)을 정밀하게 탐지하기 위해 림프절의 외형과 림프절 간 상호관계를 동시에 모델링하는 3D CNN-GNN 프레임워크를 제안한다. 그래프 신경망을 활용해 공간적 사전 지식과 전이 경로를 인코딩함으로써, 민감도를 높이면서도 가짜 양성 결과를 감소시켜, 142명의 식도암 방사선 치료 환자 데이터셋에서 기존 최고 성능(SOTA) 방법 대비 환자당 6개의 가짜 양성 결과에서 평균 민감도가 13.1% 향상되었다.

ABSTRACT

Determining the spread of GTV$_{LN}$ is essential in defining the respective resection or irradiating regions for the downstream workflows of surgical resection and radiotherapy for many cancers. Different from the more common enlarged lymph node (LN), GTV$_{LN}$ also includes smaller ones if associated with high positron emission tomography signals and/or any metastasis signs in CT. This is a daunting task. In this work, we propose a unified LN appearance and inter-LN relationship learning framework to detect the true GTV$_{LN}$. This is motivated by the prior clinical knowledge that LNs form a connected lymphatic system, and the spread of cancer cells among LNs often follows certain pathways. Specifically, we first utilize a 3D convolutional neural network with ROI-pooling to extract the GTV$_{LN}$'s instance-wise appearance features. Next, we introduce a graph neural network to further model the inter-LN relationships where the global LN-tumor spatial priors are included in the learning process. This leads to an end-to-end trainable network to detect by classifying GTV$_{LN}$. We operate our model on a set of GTV$_{LN}$ candidates generated by a preliminary 1st-stage method, which has a sensitivity of $>85\%$ at the cost of high false positive (FP) ($>15$ FPs per patient). We validate our approach on a radiotherapy dataset with 142 paired PET/RTCT scans containing the chest and upper abdominal body parts. The proposed method significantly improves over the state-of-the-art (SOTA) LN classification method by $5.5\%$ and $13.1\%$ in F1 score and the averaged sensitivity value at $2, 3, 4, 6$ FPs per patient, respectively.

연구 동기 및 목표

• 저항력이 낮고 해부학적 변동성이 높아 방사선 치료 CT 영상에서 자주 간과되는 소형 전이 의심 림프절(오슬른)을 탐지하는 데 도전하는 것.
• 1단계 탐지 시스템이 생성한 고민감도 후보 집합에서 가짜 양성 결과를 줄임으로써 오슬른 탐지 정밀도를 향상시키는 것.
• 암이 연결된 림프관 경로를 따라 퍼지기 때문에 생물학적 사전 지식을 반영하기 위해 그래프 신경망을 사용해 림프절 간 상호관계를 학습하는 것.
• 3D CNN 기반의 외형 특징과 GNN 기반의 관계 추론을 통합해 오슬른 분류를 향상시키는 엔드 투 엔드 학습 가능한 프레임워크를 개발하는 것.

제안 방법

• 후보 림프절의 CT 및 PET 영상에서 개별 림프절의 외형 특징을 추출하기 위해 3D 합성곱 신경망(CNN)을 사용한다.
• 노드는 후보 림프절을 나타내고, 간선은 주요 종양에 대한 3D 공간 거리와 각도를 인코딩하는 방식으로 림프절 간 상호관계를 그래프 신경망(GNN)을 통해 모델링한다.
• 해부학적 연결성을 반영하기 위해 거리 및 각도 관계와 같은 글로벌 공간 사전 지식을 GNN에 통합한다.
• 다중 척도의 관계 특징을 집계하기 위해 GNN에서 요소 수준의 특징 융합 전략을 사용하여 진짜 오슬른과 가짜 양성 결과 간의 구별 능력을 향상시킨다.
• 3D CNN 특징 추출과 GNN 기반의 관계 추론을 통합해 오슬른 공동 분류를 위한 엔드 투 엔드 학습 가능한 전체 파이프라인을 구성한다.
• 고민감도 후보 집합(민감도 85% 이상, 환자당 15개 이상의 가짜 양성 결과)을 사용하여, 식도암 환자 142명의 쌍방향 PET/CT 스캔에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 비대조 강화가 아닌 방사선 치료 CT에서 소형 전이 의심 림프절(오슬른) 탐지에 림프절 간 상호관계를 모델링하는 것이 성능 향상에 기여하는가?
• RQ2 주요 종양에 대한 거리 및 각도 관계와 같은 글로벌 공간 사전 지식을 도입함으로써, 단순한 외형 기반 특징만을 사용하는 것보다 오슬른 분류 성능이 향상되는가?
• RQ3 기존의 개별 림프절 기반 분류 방식에 비해 그래프 신경망은 오슬른 탐지에서 높은 민감도를 유지하면서 가짜 양성 결과를 얼마나 효과적으로 줄일 수 있는가?
• RQ4 3D CNN 특징과 관계 기반 GNN 표현을 융합함으로써, SOTA 방법 대비 성능 향상은 어느 정도 이루어지는가?

주요 결과

• 제안된 CNN+GNN 모델은 동일한 데이터셋에서 SOTA 2.5D CNN 방법 대비 F1 스코어에서 5.5%p의 절대적 향상을 달성했다.
• 환자당 6개의 가짜 양성 결과에서, SOTA 기준선 대비 평균 민감도가 13.1% 향상되어 높은 가짜 양성 결과 비율에 대한 강건성을 입증했다.
• 공간 사전 지식이 포함된 CT+PET 입력 조건에서, mFROC가 0.595에서 0.664로 향상되어 3D CNN 및 노드 수준의 GNN 융합 기반 모델을 모두 초월했다.
• GNN 내 요소 수준의 특징 융합 전략은 CT 설정에서 3.4%p, CT+PET 설정에서 6.9%p의 mFROC 향상을 가져왔으며, 이는 관계 추론의 효과성을 확인한다.
• 정성적 결과 분석에서 GNN은 낮은 확률의 이웃 림프절 근처에 위치한 가짜 양성 결과를 정확히 재분류했고, 여러 개의 강력한 근접 후보가 존재할 경우 소형 진짜 오슬른도 정확히 식별했다.
• PET 영상의 추가는 모든 모델에서 mFROC를 일관되게 향상시켜, 오슬른 탐지 성능 향상에 있어 PET의 핵심적 역할을 입증했다.