[논문 리뷰] Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors

Zhuotun Zhu, Yongyi Lu외 3명|arXiv (Cornell University)|2020. 04. 04.

Pancreatic and Hepatic Oncology Research참고 문헌 12인용 수 7

한 줄 요약

이 논문은 복부 CT 영상에서 조기 단계의 췌장 내분비성 종양(PNETs)을 탐지하기 위해 이중기(arterial 및 venous) 영상과 방사선의사가 제공한 확장된 췌장관의 표시를 사용하는 분할-분류(Segmentation-for-Classification, S4C) 프레임워크를 제안한다. 새로 수집된, 지금까지 가장 큰 볼륨 수준의 PNETs 데이터셋에서 이 방법은 89.47%의 민감도와 81.08%의 특이도를 기록하며 최신 기술의 분할 네트워크를 능가하며 방사선의사가 해석할 수 있는 종양 국소화를 가능하게 한다.

ABSTRACT

This work presents comprehensive results to detect in the early stage the pancreatic neuroendocrine tumors (PNETs), a group of endocrine tumors arising in the pancreas, which are the second common type of pancreatic cancer, by checking the abdominal CT scans. To the best of our knowledge, this task has not been studied before as a computational task. To provide radiologists with tumor locations, we adopt a segmentation framework to classify CT volumes by checking if at least a sufficient number of voxels is segmented as tumors. To quantitatively analyze our method, we collect and voxelwisely label a new abdominal CT dataset containing $376$ cases with both arterial and venous phases available for each case, in which $228$ cases were diagnosed with PNETs while the remaining $148$ cases are normal, which is currently the largest dataset for PNETs to the best of our knowledge. In order to incorporate rich knowledge of radiologists to our framework, we annotate dilated pancreatic duct as well, which is regarded as the sign of high risk for pancreatic cancer. Quantitatively, our approach outperforms state-of-the-art segmentation networks and achieves a sensitivity of $89.47\%$ at a specificity of $81.08\%$, which indicates a potential direction to achieve a clinical impact related to cancer diagnosis by earlier tumor detection.

연구 동기 및 목표

• 작은 크기와 미세한 영상 특징으로 인해 자주 간과되는 췌장 내분비성 종양(PNETs)의 조기 진단이라는 임상적 과제를 해결하기 위해.
• 방사선의학적 전문 지식, 특히 확장된 췌장관의 임상적 의미를 반영하여 검출 민감도를 향상시키는 계산 기반 프레임워크를 개발하기 위해.
• 동맥기 및 정맥기 영상과 함께 확장된 췌장관 표시까지 포함한 볼륨 단위로 표시된 이중기 CT 데이터셋을 구축하고 공개하기 위해.
• 직접 이진 분류 네트워크보다 분할 기반 분류(S4C)가 더 해석 가능하고 임상적으로 유의미한 결과를 제공하는지 입증하기 위해.
• 조기 진단에 있어 치명적인 거짓 음성 결과를 줄이기 위해 높은 민감도를 확보하면서도 임상적으로 수용 가능한 특이도를 유지하기 위해.

제안 방법

• 프레임워크는 종양 분할 예측 결과를 사용해 사례 수준의 분류를 유도하는 분할-분류(S4C) 전략을 사용하며, 이는 방사선의사가 결과를 더 쉽게 이해할 수 있도록 해석 가능성을 향상시킨다.
• 동맥기 및 정맥기 영상이 모두 포함된 376건의 대규모 복부 CT 데이터셋(양성 PNET 228건, 정상 148건)을 수집하였으며, 종양과 확장된 췌장관에 대해 볼륨 단위로 표시하였다.
• 확장된 췌장관은 보조적 단서로 표시되었으며, 이는 방사선의사들이 고위험 췌장 병변과 관련하여 췌장관 확장을 고려하는 임상적 관행을 반영하기 위함이다.
• 3D U-Net 및 V-Net 아키텍처를 활용해 양기의 영상에서 종양과 췌장관의 3차원 의미 분할을 수행한 후, 분할 결과를 바탕으로 분류를 수행한다.
• 이중기 융합은 한 기간에서라도 비정상으로 예측될 경우 사례를 비정상으로 판단함으로써 구현되었으며, 이는 상호 보완적인 강화 패tern을 활용해 민감도를 높였다.
• 성능 평가는 테스트 케이스에서 DSC(Dice Similarity Coefficient), 민감도, 특이도, 놓친 케이스 및 잘못된 호출 수를 기준으로 평가되었다.

실험 결과

연구 질문

• RQ1 직접 분류 방식과 비교해 복부 CT 영상에서 분할 기반 분류(S4C) 프레임워크가 PNET 탐지의 민감도와 해석 가능성에 개선을 이룰 수 있는가?
• RQ2 방사선의사가 인식하는 징후인 확장된 췌장관을 보조적 표시로 포함함으로써 PNET 탐지 성능이 향상되는가?
• RQ3 동맥기 및 정맥기 이중기 CT 영상이 한 기간에서만 나타나는 종양을 포착함으로써 탐지 민감도를 향상시킬 수 있는가?
• RQ4 S4C 프레임워크는 민감도, 특이도, 국소화 정확도 측면에서 최신 기술의 분할 네트워크와 종단 간 분류 모델에 비해 어떻게 비교되는가?
• RQ5 이중기 영상과 세밀한 표시를 포함한 제안된 데이터셋은 신뢰성 있고 일반화 가능한 PNET 탐지 모델 개발에 충분한가?

주요 결과

• 제안된 S4C 프레임워크는 이중기 데이터셋에서 민감도 89.47%, 특이도 81.08%를 기록하였으며, DSC(Dice Similarity Coefficient) 측면에서 최신 기술의 분할 네트워크를 능가하였다.
• 이중기 융합 설정에서 놓친 PNET 케이스는 228건 중 24건(10.53%)으로 줄었고, 거짓 양성은 148건 중 28건(18.92%)으로 감소하였다.
• 동맥기 및 정맥기 영상 모두를 활용함으로써 단일기 모델 대비 민감도가 7.01% 향상되었으며, 특이도는 10.81% 감소하였다.
• S4C 프레임워크는 직접 분류 네트워크를 포함한 모든 테스트 방법 중에서 가장 높은 민감도(89.47%)를 기록하였으며, 직접 분류 네트워크는 특이도가 높았지만 해석 가능성에 빈도가 떨어졌다.
• 376건의 케이스와 양기에서 종양 및 확장된 췌장관에 대한 볼륨 단위 표시가 포함된 데이터셋은 지금까지 공개된 바 중 가장 큰 PNETs 데이터셋이다.
• 시각화 결과는 동맥기에서만 나타나는 작고 미세한 종양을 성공적으로 탐지하였으며, 이는 이중기 융합 전략의 타당성을 입증하였다.