[논문 리뷰] Multiparametric Deep Learning and Radiomics for Tumor Grading and Treatment Response Assessment of Brain Cancer: Preliminary Results

Vishwa S. Parekh, John Laterra외 4명|arXiv (Cornell University)|2019. 06. 10.

Radiomics and Machine Learning in Medical Imaging참고 문헌 19인용 수 5

한 줄 요약

이 연구는 뇌종양의 등급 분류 및 치료 반응 평가를 향상시키기 위해 딥러닝을 통합한 다중 매개변수 영상유전자(mpRadiomic) 프레임워크를 제안한다. T1WI, T2WI, FLAIR, DWI, PWI 등 다중 대조 MRI를 활용하여, 등급 II와 등급 IV 간의 간질종양을 구분하는 데 93% 민감도와 100% 특이도를 기록했으며 AUC는 0.95였고, 치료 후 진성 진행과 가짜 진행을 구분하는 데도 93% AUC를 달성했다.

ABSTRACT

Radiomics is an exciting new area of texture research for extracting quantitative and morphological characteristics of pathological tissue. However, to date, only single images have been used for texture analysis. We have extended radiomic texture methods to use multiparametric (mp) data to get more complete information from all the images. These mpRadiomic methods could potentially provide a platform for stratification of tumor grade as well as assessment of treatment response in brain tumors. In brain, multiparametric MRI (mpMRI) are based on contrast enhanced T1-weighted imaging (T1WI), T2WI, Fluid Attenuated Inversion Recovery (FLAIR), Diffusion Weighted Imaging (DWI) and Perfusion Weighted Imaging (PWI). Therefore, we applied our multiparametric radiomic framework (mpRadiomic) on 24 patients with brain tumors (8 grade II and 16 grade IV). The mpRadiomic framework classified grade IV tumors from grade II tumors with a sensitivity and specificity of 93% and 100%, respectively, with an AUC of 0.95. For treatment response, the mpRadiomic framework classified pseudo-progression from true-progression with an AUC of 0.93. In conclusion, the mpRadiomic analysis was able to effectively capture the multiparametric brain MRI texture and could be used as potential biomarkers for distinguishing grade IV from grade II tumors as well as determining true-progression from pseudo-progression.

연구 동기 및 목표

• 다양한 MRI 시퀀스를 활용하여 뇌종양의 특성 분석을 향상시키기 위한 다중 매개변수 영상유전자 프레임워크를 개발하는 것.
• T1WI, T2WI, FLAIR, DWI, PWI로부터 유사한 조직 정보를 통합함으로써 단일 시퀀스 영상유전자 기법의 한계를 해결하는 것.
• 정량적 영상 특징을 기반으로 비침습적으로 간질종양의 등급(II vs. IV)을 분류하는 것.
• 신경종양학 분야에서 중요한 임상 과제인 치료 후 진성 진행과 가짜 진행을 구분하는 것.
• 개인화된 치료 계획 수립을 위한 잠재적 생물학적 표지자로 mpRadiomic 특징을 확립하는 것.

제안 방법

• mpRadiomic 프레임워크는 T1-가중, T2-가중, FLAIR, 확산가중, perfusion-가중 영상 5종류의 MRI 시퀀스에서 영상유전자 특징을 추출한다.
• 각 시퀀스에서 무늬, 강도, 형태 및 웨이블릿 기반 기술자 특징을 추출한 후 특징 선택 및 융합을 수행한다.
• 합성된 특징 집합을 기반으로 딥러닝 기반 분류기가 토양 등급과 치료 반응 패tern을 구분하도록 훈련된다.
• 프레임워크는 다중 매개변수 특징 서명을 기반으로 종양을 분류하기 위해 지지벡터기반머신(SVM) 또는 유사한 분류기를 사용한다.
• 특징 중요도와 모델 성능 평가에는 교차검증 및 수신기작동특성(ROC) 분석을 활용한다.
• 영상유전자 무늬 분석과 딥러닝을 통합하여 단일 시퀀스 접근법을 초월한 예측 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 다중 매개변수 영상유전학은 단일 시퀀스 영상유전자 기법에 비해 간질종양의 정확도를 향상시킬 수 있는가?
• RQ2 mpRadiomic 특징는 다중 대조 MRI를 활용하여 등급 II와 등급 IV 간의 간질종양을 신뢰성 있게 구분할 수 있는가?
• RQ3 이 프레임워크는 치료 후 뇌종양 환자에서 진성 진행과 가짜 진행을 구분할 수 있는가?
• RQ4 여러 MRI 시퀀스에서 유도된 통합 영상유전자 특징는 개별 시퀀스에 비해 치료 반응에 대해 더 우수한 생물학적 표지자 역할을 할 수 있는가?
• RQ5 mpRadiomic 프레임워크의 진단 성능는 간질종양의 등급 분류 및 진행 평가에서 민감도, 특이도 및 AUC 측면에서 어떻게 되는가?

주요 결과

• mpRadiomic 프레임워크는 등급 II 간질종양과 등급 IV 간질종양을 분류하는 데 93% 민감도와 100% 특이도를 기록했으며 AUC는 0.95였다.
• 치료 반응 평가에서는 진성 진행과 가짜 진행을 구분하는 데 AUC가 0.93를 달성했다.
• 다중 대조 MRI 시퀀스의 통합은 단일 시퀀스 분석에 비해 특징 표현 능력을 크게 향상시켰다.
• 작은 환자 집단(24명, 등급 II: 8명, 등급 IV: 16명)에서도 모델이 높은 강건성과 일반화 능력을 보였다.
• 확산가중 영상(DWI) 및 퍼포지션 영상 시퀀스에서 유도된 영상유전자 특징가 종양의 등급 분류 성능에 가장 크게 기여했다.
• 이 프레임워크는 신경종양학 분야에서 임상적 의사결정 지원을 위한 비침습적이고 정량적인 생물학적 표지자 도구로 강력한 잠재력을 보였다.