[논문 리뷰] MPRAD: A Multiparametric Radiomics Framework

Vishwa S. Parekh, Michael A. Jacobs|arXiv (Cornell University)|2018. 09. 25.

Radiomics and Machine Learning in Medical ImagingMedicine참고 문헌 56인용 수 17

한 줄 요약

MPRAD는 다양한 MRI 시퀀스를 통합하여 고차원적인 문맥적 특징을 추출하는 다중 매개변수 방사진학 프레임워크이다. 이는 악성과 양성 유방 병변을 구분하는 데 87%의 민감도와 80.5%의 특이도(ROC-AUC 0.88)를 달성하였으며, 단일 매개변수 방사진학 대비 9–28% 높은 AUC를 기록하였다. 또한, 뇌졸중 및 유방 적용 사례에서 정상 조직 유형 간 일관된 특징 분포를 보였다.

ABSTRACT

Multiparametric radiological imaging is vital for detection, characterization and diagnosis of many different diseases. The use of radiomics for quantitative extraction of textural features from radiological imaging is increasing moving towards clinical decision support. However, current methods in radiomics are limited to using single images for the extraction of these textural features and may limit the applicable scope of radiomics in different clinical settings. Thus, in the current form, they are not capable of capturing the true underlying tissue characteristics in high dimensional multiparametric imaging space. To overcome this challenge, we have developed a multiparametric imaging radiomic framework termed MPRAD for extraction of radiomic features from high dimensional datasets. MPRAD was tested on two different organs and diseases; breast cancer and cerebrovascular accidents in brain, commonly referred to as stroke. The MPRAD framework classified malignant from benign breast lesions with excellent sensitivity and specificity of 87% and 80.5% respectively with an AUC of 0.88 providing a 9%-28% increase in AUC over single radiomic parameters. More importantly, in breast, the glandular tissue MPRAD were similar between each group with no significance differences. Similarly, the MPRAD features in brain stroke demonstrated increased performance in distinguishing the perfusion-diffusion mismatch compared to single parameter radiomics and there were no differences within the white and gray matter tissue. In conclusion, we have introduced the use of multiparametric radiomics into a clinical setting

연구 동기 및 목표

• 다중 매개변수 영상에서 복잡한 조직 이질성을 포괄하지 못하는 단일 매개변수 방사진학의 한계를 해결하기 위해.
• 다양한 MRI 시퀀스의 공동 분석을 가능하게 하는 통합 프레임워크를 개발하기 위해.
• 악성과 양성 유방 병변을 구분하는 데 있어 다중 매개변수 방사진학의 성능을 평가하기 위해.
• 허혈성 뇌졸중에서 혈류-확산 불일치를 식별할 수 있는 프레임워크의 능력을 평가하기 위해.
• 특정 조직 유형(예: 선상세포, 회백질 및 회색질)에서의 일관된 특징 분포를 확인하여 내성 확보를 위해.

제안 방법

• MPRAD 프레임워크는 T1, T2, DWI, 혈류 등 다양한 MRI 시퀀스를 고차원적 방사진학적 특징 공간으로 융합한다.
• 기존의 방사진학 기법(예: 일차 및 이차 통계, 형태, 웨이블릿 기반 특징 등)을 활용해 통합된 다중 매개변수 데이터셋에서 문맥적 특징을 추출한다.
• 질병 상태 간에 가장 구분 가능한 특징을 식별하기 위해 특징 선택 및 차원 축소 기법을 적용한다.
• 기계학습 모델(SVM 또는 랜덤 포레스트 등)을 다중 매개변수 특징 집합에 훈련시켜 조직 유형을 분류한다.
• 정상 조직(예: 유방의 선상세포, 뇌의 백질/회색질)에서의 특징 분포를 비교하여 조직 특이적 안정성을 확보한다.
• AUC, 민감도, 특이도를 사용해 성능을 평가하며, 단일 시퀀스 기반 방사진학 접근법과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 단일 시퀀스 기반 방사진학 대비 다중 매개변수 방사진학 프레임워크가 유방암 진단 정확도 향상에 기여하는가?
• RQ2 MPRAD는 급성 허혈성 뇌졸중에서 혈류-확산 불일치를 식별하는 데 얼마나 효과적인가?
• RQ3 MPRAD 특징은 둘 다에서 정상 조직 유형(예: 선상세포, 백질 및 회색질) 간에 일관된가?
• RQ4 여러 MRI 시퀀스를 통합하면 단일 시퀀스 기반 방사진학 대비 통계적으로 유의미한 AUC 향상이 이루어지는가?
• RQ5 MPRAD 특징는 정상 조직 영역에서 안정성을 유지하면서 악성과 양성 유방 병변을 신뢰성 있게 구분할 수 있는가?

주요 결과

• MPRAD는 악성과 양성 유방 병변을 구분하는 데 AUC 0.88를 기록하였으며, 이는 단일 매개변수 기반 방사진학 접근법 대비 9–28% 향상된 결과이다.
• 병변 분류에 있어 프레임워크는 87% 민감도와 80.5% 특이도를 보였으며, 강력한 진단 성능를 입증하였다.
• 정상 선상세포에서의 MPRAD 특징는 악성 및 양성 그룹 간 유의미한 차이가 없었으며, 정상 조직에서의 강건성을 확인하였다.
• 뇌졸중 적용 사례에서 MPRAD는 혈류-확산 불일치 식별에서 단일 매개변수 방사진학을 능가했으며, 진단 정밀도가 향상되었다.
• 뇌의 백질 또는 회색질 내부에서 MPRAD 특징에 유의미한 차이가 관찰되지 않아, 정상 조직 유형 간 일관된 행동을 보였다.
• 다중 매개변수 접근법은 단일 시퀀스 기반 방사진학의 한계를 극복하고 고차원 영상 공간에서 복잡한 조직 특징을 성공적으로 포착하였다.