[論文レビュー] Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging Studies

Jinzheng Cai, Youbao Tang+5 more|arXiv (Cornell University)|Dec 9, 2020

AI in cancer detection参考文献 58被引用数 5

ひとこと要約

本稿では、4次元縦断的CTスキャンを対象に、外観と解剖的信号を統合する深層学習フレームワークであるDeep Lesion Tracker (DLT) を提案する。解剖的信号エンコーダーと新規のシアンプスネットワーク定式化を統合することで、DLTは病変中心の局所化で平均7mmの誤差を達成し、最先端の登録手法よりも5%優れている一方で、14倍高速に動作し、臨床データに対しても88%の精度で良好な一般化性能を示す。

ABSTRACT

Monitoring treatment response in longitudinal studies plays an important role in clinical practice. Accurately identifying lesions across serial imaging follow-up is the core to the monitoring procedure. Typically this incorporates both image and anatomical considerations. However, matching lesions manually is labor-intensive and time-consuming. In this work, we present deep lesion tracker (DLT), a deep learning approach that uses both appearance- and anatomical-based signals. To incorporate anatomical constraints, we propose an anatomical signal encoder, which prevents lesions being matched with visually similar but spurious regions. In addition, we present a new formulation for Siamese networks that avoids the heavy computational loads of 3D cross-correlation. To present our network with greater varieties of images, we also propose a self-supervised learning (SSL) strategy to train trackers with unpaired images, overcoming barriers to data collection. To train and evaluate our tracker, we introduce and release the first lesion tracking benchmark, consisting of 3891 lesion pairs from the public DeepLesion database. The proposed method, DLT, locates lesion centers with a mean error distance of 7 mm. This is 5% better than a leading registration algorithm while running 14 times faster on whole CT volumes. We demonstrate even greater improvements over detector or similarity-learning alternatives. DLT also generalizes well on an external clinical test set of 100 longitudinal studies, achieving 88% accuracy. Finally, we plug DLT into an automatic tumor monitoring workflow where it leads to an accuracy of 85% in assessing lesion treatment responses, which is only 0.46% lower than the accuracy of manual inputs.

研究の動機と目的

• 縦断的医療画像研究における正確で自動化された病変追跡の課題に対処すること。
• 縦断的データセットを用いたトレーニングを可能にするために、ペアでない画像を用いた自己教師あり学習戦略の開発により、手動アノテーションへの依存を低減すること。
• 外観ベースのマッチングに解剖的制約を統合することで、追跡のロバスト性を向上させること。
• DeepLesionデータベースの3,891組の病変ペアを用いて、病変追跡のための最初の公開ベンチマークを確立すること。

提案手法

• 計算コストの高い3次元相互相関を回避する新規のシアンプスネットワーク定式化を提案する。
• 患者の解剖学的構造からの空間的および構造的制約を統合するための解剖的信号エンコーダー（ASE）を導入する。
• 病変マッチングのための特徴表現を強化するための学習可能分解モジュールを採用する。
• ペアでない画像を用いた自己教師あり学習（SSL）戦略を適用し、縦断的でないデータセットの利用を可能にする。
• 局所化精度の向上を図るために、センター補強とグローバルカーネルプーリングを適用する。
• 乗法的畳み込みにより外観埋め込みと解剖的信号を統合し、マッチングの特異性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 外観と解剖的信号の両方を用いて、深層学習モデルが4次元縦断的CTスキャンにおける病変追跡を効果的に実行できるか。
• RQ2 解剖的制約の統合が、外観のみの手法と比較して追跡精度をどのように向上させるか。
• RQ3 自己教師あり学習が、病変追跡における縦断的アノテーションのペアの必要性をどの程度低減できるか。
• RQ4 DLTは、速度、正確性、臨床データにおける一般化性能の観点から、最先端の登録および追跡手法と比較してどのように差をつけるか。

主な発見

• DLTは病変中心の局所化で平均7mmの誤差を達成し、最先端の登録アルゴリズムよりも5%優れている。
• DLTは、DEEDSと比較して、全CTボリューム上で14倍高速に動作しながらも、精度でそれを上回っている。
• 外部臨床テストセット（100件の縦断的研究）において、DLTは88%の追跡精度を達成した。
• 後続の病変サイズ測定において、DLTは手動入力と比較してわずか0.46%低い治療反応の正確性を示した。
• 自己教師あり学習戦略により、ペアでない画像を用いた有効なトレーニングが可能になり、高価な縦断的アノテーションへの依存が低減された。
• アブレーションスタディにより、解剖的信号エンコーダーと学習可能分解モジュールが高精度を達成するために極めて重要な役割を果たしていることが確認された。