[논문 리뷰] Predicting 1p19q Chromosomal Deletion of Low-Grade Gliomas from MR Images using Deep Learning

Zeynettin Akkus, Issa Ali외 6명|arXiv (Cornell University)|2016. 11. 21.

Glioma Diagnosis and Treatment인용 수 11

한 줄 요약

이 연구는 전술적 T1강화(T1C) 및 T2 MR 영상에서 저-grade 뇌신생물의 1p19q 염색체 결실 상태를 비침습적으로 예측하기 위해 다중 척도 컨volution 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. 이 방법은 독립적인 테스트 세트 159명의 환자에서 93.3% 민감도, 82.22% 특이도, 87.7% 정확도를 달성하여 수술 생검에 의존하지 않고 치료 계획 수립에 강력한 잠재력을 보여주었다.

ABSTRACT

Objective: Several studies have associated codeletion of chromosome arms 1p/19q in low-grade gliomas (LGG) with positive response to treatment and longer progression free survival. Therefore, predicting 1p/19q status is crucial for effective treatment planning of LGG. In this study, we predict the 1p/19q status from MR images using convolutional neural networks (CNN), which could be a noninvasive alternative to surgical biopsy and histopathological analysis. Method: Our method consists of three main steps: image registration, tumor segmentation, and classification of 1p/19q status using CNN. We included a total of 159 LGG with 3 image slices each who had biopsy-proven 1p/19q status (57 nondeleted and 102 codeleted) and preoperative postcontrast-T1 (T1C) and T2 images. We divided our data into training, validation, and test sets. The training data was balanced for equal class probability and then augmented with iterations of random translational shift, rotation, and horizontal and vertical flips to increase the size of the training set. We shuffled and augmented the training data to counter overfitting in each epoch. Finally, we evaluated several configurations of a multi-scale CNN architecture until training and validation accuracies became consistent. Results: The results of the best performing configuration on the unseen test set were 93.3% (sensitivity), 82.22% (specificity), and 87.7% (accuracy). Conclusion: Multi-scale CNN with their self-learning capability provides promising results for predicting 1p/19q status noninvasively based on T1C and T2 images. Significance: Predicting 1p/19q status noninvasively from MR images would allow selecting effective treatment strategies for LGG patients without the need for surgical biopsy.

연구 동기 및 목표

• 수술 생검에 의존하지 않고 MRI를 이용해 저-grade 뇌신생물에서 1p19q 염색체 결실 상태를 비침습적으로 예측하는 방법을 개발한다.
• 비침습적 영상 생물학적 지표를 기반으로 치료에 잘 반응할 가능성이 높은 환자를 식별하여 치료 계획을 향상시킨다.
• 딥러닝을 활용해 T1C 및 T2 MR 영상에서 분자의 상태를 예측할 수 있는 미세한 영상 특징을 추출한다.
• 생검으로 확인된 1p19q 상태를 가진 159명의 저-grade 뇌신생물 환자로 구성된 균형 잡힌 데이터셋에서 모델을 검증한다.

제안 방법

• 이 방법은 세 단계로 구성된다: T1C 및 T2 스캔를 정렬하기 위한 영상 정렬, 관심 영역을 분리하기 위한 종양 세그멘테이션, 다중 척도 CNN 아키텍처를 사용한 분류.
• 다중 척도 CNN은 다양한 공간 척도에서 캐포처된 종양 영역으로부터 계층적인 특징을 학습하도록 훈련되었다.
• 일반화 및 과적합 방지를 위해 훈련 중에 무작위 이동 이동, 회전, 수평/수직 반전을 이용한 데이터 증강 기법이 적용되었다.
• 코드리트 및 비코드리트 1p19q 상태의 클래스 확률이 균형 잡히도록 훈련 세트가 조정되었다.
• 모델 훈련은 각 에포크에서 셔플링과 증강을 적용한 확률적 경사 하강법를 사용하여 강건성을 향상시켰다.
• 여러 반복 동안 일관된 훈련 및 검증 정확도를 보인 최상의 CNN 구성이 반복적인 네트워크 아키텍처 및 하이퍼파라미터 조정을 통해 선정되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 전술적 T1C 및 T2 MRI 스캔만을 사용하여 저-grade 뇌신생물에서 1p19q 결실 상태를 정확하게 예측할 수 있는가?
• RQ2 히스토패스로지적 입력 없이 다중 척도 CNN 아키텍처가 1p19q 상태와 관련된 영상 생물학적 지표를 효과적으로 학습할 수 있는가?
• RQ3 데이터 증강 및 클래스 균형 조정이 독립적인 테스트 세트에서 모델의 일반화 능력과 성능을 향상시키는가?
• RQ4 비침습적 영상 기반 접근법이 저-grade 뇌신생물 환자에서 분자 기반 분류를 위해 수술 생검을 어느 정도 대체할 수 있는가?

주요 결과

• 제안된 다중 척도 CNN은 검증되지 않은 테스트 세트에서 1p19q 결실 상태 예측에 대해 93.3% 민감도를 달성했다.
• 모델은 비코드리트 케이스를 정확하게 식별할 수 있는 능력이 뛰어나 82.22% 특이도를 보였다.
• 전체 정확도는 테스트 세트에서 87.7%에 도달하여 양쪽 클래스에서 견고한 성능을 보였다.
• 최고의 모델 구성은 네트워크 아키텍처 및 하이퍼파라미터 조정을 반복한 후 훈련 및 검증 정확도가 안정화되었다.
• 결과는 딥러닝이 MRI에서 분자의 상태와 관련된 생물학적으로 의미 있는 영상 패atters를 추출할 수 있음을 시사한다.
• 이 연구는 표준 임상 MRI 시퀀스를 사용해 1p19q 상태의 비침습적 예측이 가능하다는 것을 확인한다.