[論文レビュー] Multi-Scale Coarse-to-Fine Segmentation for Screening Pancreatic Ductal Adenocarcinoma

Zhuotun Zhu, Yingda Xia+3 more|arXiv (Cornell University)|Jul 9, 2018

Advanced Neural Network Applications参考文献 14被引用数 22

ひとこと要約

本論文は、腹部CTスキャンにおける膵臓導管癌（PDAC）を検出するためのマルチスケールの粗くから細かくまでのセグメンテーション・フォア・クラスフィケーションフレームワークを提案する。粗くから細かくまでのアプローチで複数の入力スケール（64³、32³、16³）を用いてトレーニングおよびテストし、後処理の外れ値フィルタを適用することで、439例のCTスキャンで構成される新規データセット上で94.1％の感度と98.5％の特異度を達成した。この手法により、早期診断のためのレーダロジストが解釈可能な腫瘍の局在を提供できる。

ABSTRACT

We propose an intuitive approach of detecting pancreatic ductal adenocarcinoma (PDAC), the most common type of pancreatic cancer, by checking abdominal CT scans. Our idea is named multi-scale segmentation-for-classification, which classifies volumes by checking if at least a sufficient number of voxels is segmented as tumors, by which we can provide radiologists with tumor locations. In order to deal with tumors with different scales, we train and test our volumetric segmentation networks with multi-scale inputs in a coarse-to-fine flowchart. A post-processing module is used to filter out outliers and reduce false alarms. We collect a new dataset containing 439 CT scans, in which 136 cases were diagnosed with PDAC and 303 cases are normal, which is the largest set for PDAC tumors to the best of our knowledge. To offer the best trade-off between sensitivity and specificity, our proposed framework reports a sensitivity of 94.1% at a specificity of 98.5%, which demonstrates the potential to make a clinical impact.

研究の動機と目的

• 晚期に診断された場合に予後が不良であるため、膵臓導管癌（PDAC）の早期検出という臨床的課題に対処すること。
• CTスキャンを正常またはPDACとして分類するだけでなく、疑わしい腫瘍領域を局在化することで放射線科医のレビューに役立つ解釈可能なAIシステムを開発すること。
• 深層学習を用いて、コントラストが低く、不規則な形状の膵臓に存在するさまざまなサイズの腫瘍を検出する難しさを克服すること。
• これまでにない最大規模の公開可能なPDACデータセットを構築・公開すること。このデータセットは、136例のPDACおよび303例の正常例を含む439例のアノテート済みCTスキャンから構成される。
• 最小限の見逃しを伴いながらも誤検出を減らすことを目指し、スクリーニングにおいて感度と特異度の高いバランスを達成すること。

提案手法

• フレームワークは、腫瘍セグメンテーション出力を用いてCTボリューム全体を正常またはPDACとして分類する、セグメンテーション・フォア・クラスフィケーションアプローチを採用する。
• マルチスケール入力戦略を採用し、64³、32³、16³のボリュームパッチに対して3D U-Netベースのネットワークをトレーニングおよびテストすることで、さまざまなサイズの腫瘍を検出する。
• 粗くから細かくまでのテストパイプラインでは、まず全ボリュームに64³ネットワークを適用して粗い検出を実施し、その後、ボクシングボックス内で小さなスケールのネットワークを用いて検出を精緻化する。
• パrameterフリーの後処理モジュールを用いて、孤立した小さな領域をフィルタリングすることで、学習済みのしきい値に依存せずに誤検出を低減する。
• 信頼性スコアは、腫瘍体積とセグメンテーション確率の重み付き和として計算され、感度と特異度のトレードオフをROC曲線分析で柔軟に評価可能となる。
• ボクセル単位のアノテーションを用いたディープ・スーパービジョンによりトレーニングすることで、一般化性能と局在化精度が向上する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールで粗くから細かくまでのセグメンテーションフレームワークは、腹部CTスキャンにおける小規模および中規模のPDAC腫瘍の検出感度を向上させることができるか？
• RQ2 セグメンテーション出力を分類に統合することで、放射線科医にとっての解釈可能性と臨床的有用性はどのように向上するか？
• RQ3 実臨床環境におけるPDACスクリーニングにおいて、感度と特異度の最適なトレードオフは何か？
• RQ4 後処理フィルタは、感度を損なうことなく、小スケールのセグメンテーション出力からの誤検出を効果的に低減できるか？
• RQ5 本研究で提案されたフレームワークは、新たに収集された大規模なPDACデータセットにおいて、標準的な3Dセグメンテーションネットワークと比較してどのように性能を発揮するか？

主な発見

• 提案されたマルチスケールの粗くから細かくまでのセグメンテーション・フォア・クラスフィケーションフレームワークは、これまでにない最大規模のPDACデータセット（439例）で94.1％の感度と98.5％の特異度を達成した。
• 本手法は、さまざまなサイズの腫瘍を効果的に検出でき、64³スケールで92.7％の感度を示し、マルチスケール統合により性能が向上した。
• 後処理モジュールは誤検出を効果的に低減した。テストでは誤検出が3件のみ確認され、そのうち2件は放射線科医によって脂肪変性の焦点像として確認され、PDACの一般的な模倣疾患であった。
• 腫瘍体積とセグメンテーション確率に基づく信頼性スコアにより、感度と特異度の柔軟なトレードオフが可能となり、95.6％の特異度で98.5％の感度、または94.1％の感度で99.5％の特異度を達成した。
• 本フレームワークは、標準的な3D U-NetおよびVNetバックボーンよりもセグメンテーションおよび分類性能で優れており、マルチスケールの粗くから細かくまでの戦略の利点を示した。
• 本研究では、136例のPDACおよび303例の正常例を含む439例の新規大規模ボクセルアノテートデータセットを提供し、公開した。このデータセットは、将来的なPDAC検出研究を支援する。