[논문 리뷰] Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI

Yuan Yuan, Euijoon Ahn외 3명|arXiv (Cornell University)|2022. 12. 12.

AI in cancer detection인용 수 4

한 줄 요약

Z-SSMNet는 다차원 컨볼루션(2D/2.5D/3D)과 대규모 비라벨링 이중파arametric MRI(bpMRI)에서의 자기학습 미리 훈련을 활용하는 영역 인식 자기학습 메esh 네트워크로, 전립선 암 검출 및 진단을 향상시킨다. PI-CAI 챌린지의 폐쇄형 테스트 단계에서 AP 점수 0.690과 AUROC 0.909를 기록하여 다센터, 다스캐너 데이터에 대해 뛰어난 일반화 능력과 강건성을 입증하였다.

ABSTRACT

Bi-parametric magnetic resonance imaging (bpMRI) has become a pivotal modality in the detection and diagnosis of clinically significant prostate cancer (csPCa). Developing AI-based systems to identify csPCa using bpMRI can transform PCa management by improving efficiency and cost-effectiveness. However, current state-of-the-art methods using convolutional neural networks (CNNs) are limited in learning in-plane and three-dimensional spatial information from anisotropic images. Their performances also depend on the availability of large, diverse, and well-annotated bpMRI datasets. We propose a Zonal-aware Self-supervised Mesh Network (Z-SSMNet) that adaptively integrates multi-dimensional (2D/2.5D/3D) convolutions to learn dense intra-slice information and sparse inter-slice information of the anisotropic bpMRI in a balanced manner. A self-supervised learning (SSL) technique is proposed to pre-train our network using large-scale unlabeled data to learn the appearance, texture, and structure semantics of bpMRI. It aims to capture both intra-slice and inter-slice information during the pre-training stage. Furthermore, we constrained our network to focus on the zonal anatomical regions to further improve the detection and diagnosis capability of csPCa. We conducted extensive experiments on the PI-CAI dataset comprising 10000+ multi-center and multi-scanner data. Our Z-SSMNet excelled in both lesion-level detection (AP score of 0.633) and patient-level diagnosis (AUROC score of 0.881), securing the top position in the Open Development Phase of the PI-CAI challenge and maintained strong performance, achieving an AP score of 0.690 and an AUROC score of 0.909, and securing the second-place ranking in the Closed Testing Phase.

연구 동기 및 목표

• 이sovolumetric bpMRI 스캔에서 내부 슬라이스 및 상하 슬라이스 간 공간 정보를 효과적으로 포착하지 못하는 CNN 기반 방법의 한계를 해결하기 위해.
• 큰 규모의 다양하고 완전히 라벨링된 bpMRI 데이터셋에 대한 의존도를 줄이기 위해 비라벨링 데이터에서 자기학습 미리 훈련을 활용하기 위해.
• 전립선의 해부학적 영역에 초점을 맞춰 모델의 성능을 향상시켜 임상적으로 중요한 전립선암(csPCa)의 검출 및 진단을 향상시키기 위해.
• 2D, 2.5D, 3D 컨볼루션 간에 조밀한 내부 슬라이스 및 희박한 상하 슬라이스 특징 학습을 균형 잡는 통합된 딥 러닝 프레임워크를 개발하기 위해.
• 광범위한 미세조정 없이도 실제 다센터, 다스캐너 bpMRI 데이터에서 뛰어난 성능을 달성하기 위해.

제안 방법

• 모델은 비등방성 bpMRI에서 국소적 텍스처와 전반적인 공간적 맥락을 포착하기 위해 2D, 2.5D, 3D 컨볼루션의 적응적 통합을 포함하는 하이브리드 컨볼루션 아키텍처를 활용한다.
• 대규모 비라벨링 bpMRI 데이터에서 네트워크를 미리 훈련하기 위해 자기학습 학습(SSL) 목적함수를 도입하여 외관, 텍스처 및 구조적 의미를 학습한다.
• 해부학적으로 관련 있는 전립선 영역에 특징 학습을 제약하기 위해 영역 주의 메커니즘을 적용하여 국소화 및 진단 관련성을 향상시킨다.
• 다중 슬라이스 bpMRI 볼륨에서 잘라낸 패치를 대상으로 대비 학습을 사용하여 네트워크를 미리 훈련함으로써 라벨 없이도 강력한 특징 표현을 가능하게 한다.
• 약한 지도 신호를 사용하여 병변 수준의 검출 및 환자 수준의 진단을 위해 엔드 투 엔드로 최적화한다.
• 임상적 bpMRI 획득에서 일반적인 슬라이스 두께와 상하 간격의 변동성을 처리할 수 있도록 아키텍처를 설계하였다.

실험 결과

연구 질문

• RQ1 비라벨링 이중파arametric MRI에서 의미 있는 표현을 효과적으로 학습할 수 있는 자기학습 미리 훈련 전략이 하류의 csPCa 검출 성능 향상에 기여할 수 있는가?
• RQ2 다차원 컨볼루션(2D/2.5D/3D)의 통합이 비등방성 MRI에서 국소적 및 전반적인 공간적 의존성을 포착하는 데 모델 능력을 향상시키는가?
• RQ3 영역 주의 메커니즘이 전립선암 검출에서 딥 러닝 모델의 진단 성능에 얼마나 기여하는가?
• RQ4 기존의 CNN 기반 방법에 비해 Z-SSMNet는 다양한 다센터 및 다스캐너 bpMRI 데이터에 대해 얼마나 잘 일반화되는가?
• RQ5 큰 규모의 라벨링된 데이터셋에 의존하지 않고도 영역 인식 자기학습 접근이 최상의 성능을 달성할 수 있는가?

주요 결과

• Z-SSMNet는 PI-CAI 챌린지의 폐쇄형 테스트 단계에서 AP 점수 0.690과 AUROC 0.909를 기록하여 2위를 차지하였다.
• 개방형 개발 단계에서는 AP 점수 0.633과 AUROC 0.881을 기록하여 예측 불가능한 데이터에 대해 강력한 일반화 능력을 입증하였다.
• 자기학습 미리 훈련 단계에서 비라벨링 bpMRI 데이터로부터 외관, 텍스처 및 구조적 의미를 효과적으로 포착하여 하류 성능 향상에 기여하였다.
• 영역 주의 통합이 해부학적으로 관련 있는 영역에 집중함으로써 병변 국소화 및 진단 정확도를 크게 향상시켰다.
• 조밀한 내부 슬라이스 및 희박한 상하 슬라이스 특징 학습을 균형 잡는 방식으로 비등방성 bpMRI의 특성을 효과적으로 다루는 데 기존 CNN 기반 방법을 능가하였다.
• 다양한 다센터 및 다스캐너 bpMRI 데이터셋에서 뛰어난 강건성을 보이며 임상 적용 가능성의 타당성을 확인하였다.