[논문 리뷰] Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI

Álvaro Fernández-Quilez, Trygve Eftestøl외 3명|arXiv (Cornell University)|2021. 07. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 35인용 수 5

한 줄 요약

이 논문은 이중 매개변수 자기공명영상(MRI)(ADC 및 T2w)에서 조각 기반 사전 훈련을 이용한 자기전이 학습 프레임워크를 제안하여 임상적으로 중요한(cS) 및 비임상적으로 중요한(ncS) 병변을 구분함으로써 전립선암 선별을 향상시킨다. 소스 도메인의 관심영역(ROI)에서 추출한 조각을 사용하여 비지도 사전 훈련을 수행함으로써, 광범위한 애너테이션을 필요로 하지 않고도 애너테이션된 전체 슬라이스 타겟에 효과적인 전이 학습을 가능하게 하며, 표준 전이 학습 및 단일 모odal 접근 방식보다 분류 정확도에서 뛰어난 성능을 보인다.

ABSTRACT

Prostate cancer (PCa) is the second most common cancer diagnosed among men worldwide. The current PCa diagnostic pathway comes at the cost of substantial overdiagnosis, leading to unnecessary treatment and further testing. Bi-parametric magnetic resonance imaging (bp-MRI) based on apparent diffusion coefficient maps (ADC) and T2-weighted (T2w) sequences has been proposed as a triage test to differentiate between clinically significant (cS) and non-clinically significant (ncS) prostate lesions. However, analysis of the sequences relies on expertise, requires specialized training, and suffers from inter-observer variability. Deep learning (DL) techniques hold promise in tasks such as classification and detection. Nevertheless, they rely on large amounts of annotated data which is not common in the medical field. In order to palliate such issues, existing works rely on transfer learning (TL) and ImageNet pre-training, which has been proven to be sub-optimal for the medical imaging domain. In this paper, we present a patch-based pre-training strategy to distinguish between cS and ncS lesions which exploit the region of interest (ROI) of the patched source domain to efficiently train a classifier in the full-slice target domain which does not require annotations by making use of transfer learning (TL). We provide a comprehensive comparison between several CNNs architectures and different settings which are presented as a baseline. Moreover, we explore cross-domain TL which exploits both MRI modalities and improves single modality results. Finally, we show how our approaches outperform the standard approaches by a considerable margin

연구 동기 및 목표

• 이중 매개변수 자기공명영상(bp-MRI)을 이용하여 전립선암에서 과도진단 문제를 해결하고 선별 정확도를 향상시키기 위해.
• 이미지 조각을 이용한 자기지도 사전 훈련 전략을 개발하여 비용이 많이 들고 전문가가 애너테이션한 데이터에 대한 의존도를 줄이기 위해.
• 의료 영상 분야에서 표준 전이 학습(예: ImageNet 사전 훈련)의 한계를 극복하기 위해 도메인 특화의 조각 기반 자기전이 학습을 사용하기 위해.
• ADC 및 T2w MRI 시퀀스 간의 도메인 간 전이 학습을 평가하여 병변 분류 성능을 향상시키기 위해.

제안 방법

• 관심영역(ROI)에서 추출한 bp-MRI 스캔의 조각을 사용하여 비지도 사전 훈련을 수행하는 조각 기반 자기전이 학습 전략을 개발하였다.
• 소규모의 완전히 애너테이션된 전체 슬라이스 이미지에서 사전 훈련된 모델을 미세조정하여 광범위한 애너테이션을 필요로 하지 않고도 전이 학습을 가능하게 하였다.
• 선별 작업에 최적의 모델을 식별하기 위해 다양한 CNN 아키텍처를 평가하였다.
• ADC 및 T2w 시퀀스를 함께 활용하여 도메인 간 전이 학습을 탐색함으로써 단일 모달리티 접근 방식을 초월한 분류 성능 향상을 도모하였다.
• cS 및 ncS 병변을 구분하기 위한 구분 능력을 향상시키기 위해 조각에 대해 자기지도 대비 학습 목표를 사용하였다.
• 실제 데이터셋에서 성능을 검증하였으며, 표준 전이 학습 및 단일 모달리티 기반 베이스라인과의 비교를 수행하였다.

실험 결과

연구 질문

• RQ1 조각 기반 자기전이 학습은 bp-MRI에서 임상적으로 중요한 병변과 비임상적으로 중요한 병변의 분류를 향상시킬 수 있는가?
• RQ2 의료 영상 맥락에서 도메인 특화의 조각을 사용한 자기전이 학습은 표준 ImageNet 기반 전이 학습과 비교하여 어떻게 다른가?
• RQ3 ADC 및 T2w MRI 시퀀스 간의 도메인 간 전이 학습을 통해 병합 학습을 수행하면 단일 모달리티 접근 방식에 비해 선별 성능이 향상되는가?
• RQ4 제안된 자기전이 학습 프레임워크에서 전립선암 선별 작업에 가장 뛰어난 성능을 보이는 CNN 아키텍처는 무엇인가?

주요 결과

• 제안된 자기전이 학습 방법은 bp-MRI에서 cS 및 ncS 전립선 병변을 분류하는 데 있어 표준 ImageNet 기반 전이 학습보다 유의미하게 뛰어난 성능을 보였다.
• ADC 및 T2w 시퀀스를 모두 활용한 도메인 간 전이 학습은 단일 모달리티 접근 방식을 초월하여 분류 성능을 향상시켰다.
• 조각 기반 사전 훈련 전략은 최소한의 애너테이션 요구 조건으로도 완전히 애너테이션된 전체 슬라이스 타겟에 효과적으로 전이할 수 있도록 하였다.
• 시험된 CNN 아키텍처 중 일부 모델(예: ResNet 변종)이 자기전이 학습 프레임워크에서 뛰어난 성능을 달성하였다.
• 이 방법은 다양한 MRI 시퀀스에서 강건성과 일반화 능력을 보이며, 병변 평가 시 관찰자 간 변동성을 감소시켰다.