[论文解读] Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors

Zhuotun Zhu, Yongyi Lu+3 more|arXiv (Cornell University)|Apr 4, 2020

Pancreatic and Hepatic Oncology Research参考文献 12被引用 7

一句话总结

本文提出一种用于检测腹部CT扫描中早期胰腺神经内分泌肿瘤（PNETs）的分割-分类（S4C）框架，结合双期（动脉期和静脉期）成像与放射科医生指导的胰腺导管扩张标注。该方法在最新收集的、目前最大规模的体素级标注PNETs数据集上实现了89.47%的敏感度和81.08%的特异度，优于最先进分割网络，并为放射科医生提供了可解释的肿瘤定位结果。

ABSTRACT

This work presents comprehensive results to detect in the early stage the pancreatic neuroendocrine tumors (PNETs), a group of endocrine tumors arising in the pancreas, which are the second common type of pancreatic cancer, by checking the abdominal CT scans. To the best of our knowledge, this task has not been studied before as a computational task. To provide radiologists with tumor locations, we adopt a segmentation framework to classify CT volumes by checking if at least a sufficient number of voxels is segmented as tumors. To quantitatively analyze our method, we collect and voxelwisely label a new abdominal CT dataset containing $376$ cases with both arterial and venous phases available for each case, in which $228$ cases were diagnosed with PNETs while the remaining $148$ cases are normal, which is currently the largest dataset for PNETs to the best of our knowledge. In order to incorporate rich knowledge of radiologists to our framework, we annotate dilated pancreatic duct as well, which is regarded as the sign of high risk for pancreatic cancer. Quantitatively, our approach outperforms state-of-the-art segmentation networks and achieves a sensitivity of $89.47\%$ at a specificity of $81.08\%$, which indicates a potential direction to achieve a clinical impact related to cancer diagnosis by earlier tumor detection.

研究动机与目标

• 为解决临床中胰腺神经内分泌肿瘤（PNETs）早期检测的挑战，这类肿瘤常因体积小且影像学特征不明显而被漏诊。
• 开发一种计算框架，通过整合放射学专业知识（特别是胰腺导管扩张的临床意义）提升检测敏感度。
• 创建并发布目前最大规模的公开可获取的、体素级标注的双期CT数据集，涵盖动脉期和静脉期扫描，并对胰腺导管扩张进行标注。
• 证明基于分割的分类（S4C）相比直接二分类网络，能提供更具可解释性和临床可操作性的结果。
• 在保持临床可接受特异度的前提下实现高敏感度，减少对早期诊断至关重要的假阴性结果。

提出的方法

• 该框架采用分割-分类（S4C）策略，利用肿瘤分割预测结果辅助病例级分类，从而提升放射科医生对结果的可解释性。
• 收集了一个新的大规模腹部CT数据集，共376例（228例PNET阳性，148例正常），包含动脉期和静脉期扫描，并对肿瘤及胰腺导管扩张进行体素级标注。
• 将胰腺导管扩张作为辅助线索进行标注，反映放射科医生在临床实践中将导管扩张与高危胰腺病变相关联的惯例。
• 采用3D U-Net和V-Net架构对双期扫描中的肿瘤和导管进行3D语义分割，随后利用分割输出结果进行分类。
• 通过在任一时期预测为异常时即判定为异常的双期融合策略，利用互补的增强模式提升敏感度。
• 性能评估采用骰子相似系数（DSC）、敏感度、特异度以及测试病例中的漏诊/误诊数量。

实验结果

研究问题

• RQ1 与直接分类方法相比，基于分割的分类框架是否能提升腹部CT扫描中PNET检测的敏感度和可解释性？
• RQ2 将放射科医生识别的征象（如胰腺导管扩张）作为辅助标注，是否能提升PNET检测的性能？
• RQ3 通过捕获仅在某一时期可见的肿瘤，双期（动脉期和静脉期）CT成像是否能提升检测敏感度？
• RQ4 在敏感度、特异度和定位准确性方面，所提出的S4C框架与最先进分割网络及端到端分类模型相比表现如何？
• RQ5 所提出的数据集（包含双期扫描和详细标注）是否足以支持可靠且泛化能力强的PNET检测模型？

主要发现

• 所提出的S4C框架在双期数据集上实现了89.47%的敏感度和81.08%的特异度，其骰子相似系数（DSC）优于最先进分割网络。
• 在双期融合设置下，该方法将PNET漏诊病例减少至228例中的24例（10.53%），假阳性病例减少至148例中的28例（18.92%）。
• 与单期模型相比，同时使用动脉期和静脉期扫描使敏感度提高7.01%，但特异度下降10.81%。
• 在所有测试方法中，S4C框架实现了最高敏感度（89.47%），而直接分类网络虽具有更高特异度（84.46%），但缺乏可解释性。
• 该数据集包含376例病例，对双期扫描中的肿瘤和胰腺导管扩张进行了体素级标注，是迄今为止最大规模的公开PNETs数据集。
• 可视化结果证实，该方法成功检测到在静脉期被遗漏的动脉期中微小且不明显的肿瘤，验证了双期融合策略的有效性。