[논문 리뷰] Machine-learning-based Classification of Lower-grade gliomas and High-grade gliomas using Radiomic Features in Multi-parametric MRI

Ge Cui, Jiwoong Jeong외 7명|arXiv (Cornell University)|2019. 11. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 33인용 수 6

한 줄 요약

이 연구는 다중 영상 MRI(T1, T1c, T2, FLAIR)의 영상형질 특징을 활용한 기계학습 접근법을 개발하여 하등도 뇌신생물(LGG)과 고등도 뇌신생물(HGG)을 분류한다. t-검정과 LASSO를 통한 특징 선택 및 랜덤 포레스트 분류기 방법을 사용하여 91.3%의 정확도와 AUC 0.956을 달성하여 뇌신생물 분류에 높은 진단 성능을 보였다.

ABSTRACT

Objectives: Glioblastomas are the most aggressive brain and central nervous system (CNS) tumors with poor prognosis in adults. The purpose of this study is to develop a machine-learning based classification method using radio-mic features of multi-parametric MRI to classify high-grade gliomas (HGG) and low-grade gliomas (LGG). Methods: Multi-parametric MRI of 80 patients, 40 HGG and 40 LGG, with gliomas from the MICCAI BRATs 2015 training database were used in this study. Each patient's T1, contrast-enhanced T1, T2, and Fluid Attenuated Inversion Recovery (FLAIR) MRIs as well as the tumor contours were provided in the database. Using the given contours, radiomic features from all four multi-parametric MRIs were extracted. Of these features, a feature selection process using two-sample T-test and least absolute shrinkage, selection operator (LASSO), and a feature correlation threshold was applied to various combinations of T1, contrast-enhanced T1, T2, and FLAIR MRIs separately. These selected features were then used to train, test, and cross-validate a random forest to differentiate HGG and LGG. Finally, the classification accuracy and area under the curve (AUC) were used to evaluate the classification method. Results: Optimized parameters showed that on average, the overall accuracy of our classification method was 0.913 or 73 out of 80 correct classifications, 36/40 for HGG and 37/40 for LGG, with an AUC of 0.956 based on the combination with FLAIR, T1, T1c and T2 MRIs. Conclusion: This study shows that radio-mic features derived from multi-parametric MRI could be used to accurately classify high and lower grade gliomas. The radio-mic features from multi-parametric MRI in combination with even more advanced machine learning methods may further elucidate the underlying tumor biology and response to therapy.

연구 동기 및 목표

• 다중 영상 MRI의 영상형질 특징을 활용한 비침습적 기계학습 기반 방법을 개발하여 고등도 뇌신생물(HGG)과 하등도 뇌신생물(LGG)을 구분한다.
• 정량적 영상 특징을 활용하여 전통적인 방사선 영상 평가를 초월해 뇌신생물 분류 정확도를 향상시킨다.
• T1, T1c, T2, FLAIR 등의 다수의 MRI 시퀀스에서 영상형질 특징의 성능을 평가하여 HGG와 LGG를 구분하는 데 기여한다.
• 통계적 및 정규화 기법을 활용하여 최적의 분류 성능을 내는 데 가장 유용한 MRI 시퀀스와 특징 조합을 규명한다.
• 영상형질학과 기계학습의 융합이 뇌신생물 진단 향상 및 임상적 의사결정 지원 잠재력을 입증한다.

제안 방법

• MICCAI BRATS 2015 데이터베이스에서 80명의 뇌신생물 환자(고등도 뇌신생물 40명, 하등도 뇌신생물 40명)의 네 가지 MRI 시퀀스(T1, 대조 강화 T1(T1c), T2, FLAIR)에서 영상형질 특징을 추출하였다.
• 차원 수축 및 모델 일반화 향상을 위해 두 집단 간 t-검정과 최소 절대 크기 수축 및 선택 기법(LASSO)을 활용한 특징 선택을 적용하였다.
• 다중공선성 방지를 위해 특징 간 상관관계 임계값을 설정하여 고도로 상관관계가 있는 특징을 제거하였다.
• 선택된 특징을 기반으로 개별 및 조합된 MRI 시퀀스에서 랜덤 포레스트 분류기를 훈련하여 HGG와 LGG를 구분하였다.
• 모델의 안정성과 과적합 방지를 위해 10겹 교차검증을 수행하였다.
• 분류 정확도와 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 기계학습을 활용해 다중 영상 MRI의 영상형질 특징로 고등도 뇌신생물(HGG)과 하등도 뇌신생물(LGG)을 정확히 구분할 수 있는가?
• RQ2 T1, T1c, T2, FLAIR 등의 MRI 시퀀스 조합 중에서 뇌신생물 분류에 가장 높은 성능을 내는 조합은 무엇인가?
• RQ3 t-검정과 LASSO 등의 특징 선택 방법이 분류 정확도 향상과 과적합 방지에 얼마나 효과적인가?
• RQ4 최적의 진단 정확도를 달성하기 위해 필요한 영상형질 특징의 최적 조합은 무엇인가?
• RQ5 영상형질 기반 기계학습 모델이 기존의 방사선 영상 진단 방식에 비해 뇌신생물 분류에 얼마나 향상된 성능을 보일 수 있는가?

주요 결과

• 제안된 방법은 총 분류 정확도 91.3%를 달성하여 80명의 뇌신생물 환자 중 73명을 정확히 식별하였다.
• 모델은 40명의 HGG 환자 중 36명, 40명의 LGG 환자 중 37명을 정확히 분류하여 두 종류의 종양 등급 모두에서 뛰어난 성능을 보였다.
• 수신기 작동 특성 곡선 아래 면적(AUC)은 0.956에 도달하여 HGG와 LGG 간의 높은 분류 능력을 입증하였다.
• FLAIR, T1, T1c, T2 MRI 시퀀스의 조합을 사용할 때 가장 높은 성능를 기록하여 다중 영상 영상의 가치를 입증하였다.
• t-검정과 LASSO를 활용한 특징 선택은 특징 공간을 효과적으로 축소하면서도 높은 예측 정확도를 유지하였다.
• 결과적으로 다중 영상 MRI에서 유도된 영상형질 특징는 뇌신생물 분류를 위한 신뢰할 수 있는 비침습적 생물학적 지표가 될 수 있음을 시사한다.