[論文レビュー] Deep Convolutional Neural Networks for Imaging Data Based Survival Analysis of Rectal Cancer

Hongming Li, Pamela Boimel+5 more|arXiv (Cornell University)|Jan 5, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 17被引用数 13

ひとこと要約

本稿では、直腸がん患者における生存予測のための画像特徴を抽出するために、空間ピラミッドプーリングを組み合わせた畳み込みニューラルネットワーク（CNN）を用いた深層学習フレームワークを提案する。これらの特徴をコックス比例ハザードモデル内で最適化することで、模擬的および実際のFDG-PET/CTデータセットの両方で、従来の手作業で特徴を抽出する放射線学的アプローチに比べて優れた生存予測性能を達成した。

ABSTRACT

Recent radiomic studies have witnessed promising performance of deep learning techniques in learning radiomic features and fusing multimodal imaging data. Most existing deep learning based radiomic studies build predictive models in a setting of pattern classification, not appropriate for survival analysis studies where some data samples have incomplete observations. To improve existing survival analysis techniques whose performance is hinged on imaging features, we propose a deep learning method to build survival regression models by optimizing imaging features with deep convolutional neural networks (CNNs) in a proportional hazards model. To make the CNNs applicable to tumors with varied sizes, a spatial pyramid pooling strategy is adopted. Our method has been validated based on a simulated imaging dataset and a FDG-PET/CT dataset of rectal cancer patients treated for locally advanced rectal cancer. Compared with survival prediction models built upon hand-crafted radiomic features using Cox proportional hazards model and random survival forests, our method achieved competitive prediction performance.

研究の動機と目的

• 打ち切り観察を伴う医療画像データに特化した深層学習ベースの生存予測手法の開発。
• 従来の放射線学的モデルが依存する手作業で特徴を抽出する手法や、生存結果に不適切な分類フレームワークの限界を克服すること。
• 比例ハザードフレームワークを用いて、深層特徴学習と生存モデリングを統合すること。
• CNNにおける空間ピラミッドプーリングにより、サイズが異なる腫瘍からの特徴抽出を強固に可能にすること。
• 局所的進行性直腸がん患者の模擬的および実世界のFDG-PET/CTデータセットを用いて、手法の妥当性を検証すること。

提案手法

• 医療画像スキャンから階層的な画像特徴を抽出するために、深層畳み込みニューラルネットワーク（CNN）を訓練する。
• 腫瘍のサイズが異なる場合にも対応し、特徴の一般化を向上させるために、空間ピラミッドプーリングを適用する。
• 学習された特徴をコックス比例ハザードモデルに供給し、生存予測結果を予測する。
• 深層特徴を用いたコックスモデルの部分尤度を最適化することで、エンドツーエンドでモデルを訓練する。
• フレームワークは、模擬データセットおよび実際の直腸がん患者のFDG-PET/CTデータセットを用いて評価される。
• 手作業で特徴を抽出する放射線学的特徴とランダム生存フォレストを用いたベースラインモデルと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、直腸がんにおける生存予測を向上させるために、画像特徴を効果的に学習できるか？
• RQ2 空間ピラミッドプーリングの統合は、サイズが異なる腫瘍においてモデルのロバストネスをどのように向上させるか？
• RQ3 CNNベースの生存モデルは、手作業で特徴を抽出する従来の放射線学的手法を上回るか？
• RQ4 提案手法は、模擬的および実臨床画像データの両方でどのように性能を発揮するか？
• RQ5 生存モデルフレームワーク内でのエンドツーエンドの深層特徴学習は、予後予測の正確性を向上させることができるか？

主な発見

• 提案手法は、手作業で特徴を抽出する放射線学的特徴とランダム生存フォレストに基づくモデルと比較して、競争力のある生存予測性能を達成した。
• 空間ピラミッドプーリングの統合により、サイズが異なる腫瘍からの効果的な特徴抽出が可能になった。
• モデルは、模擬的および実際のFDG-PET/CTデータセットの両方で、ロバストネスと一般化性能を示した。
• 従来の放射線学的モデルに比べ、深層学習ベースのアプローチが生存予測の正確性において優れていた。
• エンドツーエンドの深層学習を生存分析フレームワークに組み込むことの実現可能性が結果によって裏付けられた。
• 本手法は、直腸がん患者における個別化予後評価への臨床的応用の可能性を示している。