[论文解读] Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification

Zhuotun Zhu, Ke Yan+10 more|arXiv (Cornell University)|May 27, 2020

Advanced Neural Network Applications参考文献 35被引用 7

一句话总结

该论文提出了一种两阶段决策分层框架，用于在3D非增强CT和PET成像中检测散在、微小且具有肿瘤学意义的淋巴结（OSLNs）。该方法将OSLNs分为靠近肿瘤和远离肿瘤的类别，针对每种类别训练独立的检测-分割网络，并采用全局-局部网络（GLNet）减少假阳性，实现每例患者3个假阳性时67%的召回率——相比最先进方法提升22%。

ABSTRACT

Finding and identifying scatteredly-distributed, small, and critically important objects in 3D oncology images is very challenging. We focus on the detection and segmentation of oncology-significant (or suspicious cancer metastasized) lymph nodes (OSLNs), which has not been studied before as a computational task. Determining and delineating the spread of OSLNs is essential in defining the corresponding resection/irradiating regions for the downstream workflows of surgical resection and radiotherapy of various cancers. For patients who are treated with radiotherapy, this task is performed by experienced radiation oncologists that involves high-level reasoning on whether LNs are metastasized, which is subject to high inter-observer variations. In this work, we propose a divide-and-conquer decision stratification approach that divides OSLNs into tumor-proximal and tumor-distal categories. This is motivated by the observation that each category has its own different underlying distributions in appearance, size and other characteristics. Two separate detection-by-segmentation networks are trained per category and fused. To further reduce false positives (FP), we present a novel global-local network (GLNet) that combines high-level lesion characteristics with features learned from localized 3D image patches. Our method is evaluated on a dataset of 141 esophageal cancer patients with PET and CT modalities (the largest to-date). Our results significantly improve the recall from $45\%$ to $67\%$ at $3$ FPs per patient as compared to previous state-of-the-art methods. The highest achieved OSLN recall of $0.828$ is clinically relevant and valuable.

研究动机与目标

• 解决在非增强放疗CT（RTCT）扫描中缺乏自动化计算方法检测肿瘤学意义淋巴结（OSLNs）的问题。
• 克服OSLNs对比度低、大小可变以及分布散在等挑战，这些特征常导致传统基于大小的判别标准漏诊。
• 通过建模医生的推理过程（基于肿瘤邻近性）和多模态影像（CT/PET），减少OSLNs检测中的观察者间差异。
• 在食管癌患者临床相关场景中，提升检测召回率的同时保持低假阳性率。

提出的方法

• 该方法提出一种决策分层策略，根据与原发肿瘤的空间距离将OSLNs划分为靠近肿瘤和远离肿瘤的类别，以实现类别特异性特征学习。
• 针对靠近肿瘤和远离肿瘤的OSLNs分别训练两个独立的检测-分割网络，以建模其在外观、大小和分布特征上的差异。
• 提出一种全局-局部网络（GLNet），通过融合来自预训练语义标记模型的全局病灶特征与局部3D图像块特征，优化第一阶段预测结果。
• 第二阶段分类器利用局部图像块（来自CT/PET）和全局语义标签，对第一阶段输出进行优化，以抑制假阳性。
• 采用双流网络融合策略，整合两类OSLNs的预测结果，提升整体检测鲁棒性。
• 该方法在包含141例食管癌患者的大型数据集上进行评估，该数据集包含配对的CT和PET影像，是迄今为止OSLNs检测领域最大的数据集。

实验结果

研究问题

• RQ1 基于肿瘤邻近性的决策分层方法是否能提升3D肿瘤学影像中OSLNs的检测性能？
• RQ2 将多模态CT和PET影像与全局语义上下文结合，能否增强对微小、低对比度OSLNs的检测能力？
• RQ3 全局-局部网络（GLNet）在保持高召回率的同时，能在多大程度上减少OSLNs检测中的假阳性？
• RQ4 与端到端及单阶段基线方法相比，所提出的两阶段方法在召回率和假阳性控制方面表现如何？

主要发现

• 所提方法在每例患者3个假阳性时实现67%的召回率，显著优于此前最先进方法的45%召回率。
• 实现的最高OSLNs召回率为0.828，具有临床相关性，对治疗规划具有重要价值。
• 采用GLNet的两阶段框架获得0.645的mFROC评分，相比表现最佳的端到端MULAN模型（0.475 mFROC）提升22%。
• GLNet组件通过结合局部图像特征与全局语义上下文，显著减少了假阳性，提升了第二阶段分类性能。
• 该方法在所有指标上均优于2.5D CNN基线模型和MULAN模型，验证了类别特异性学习与全局-局部融合策略的有效性。
• 结果证实，肿瘤邻近性是医生决策中的关键因素，通过计算方式建模该因素可显著提升检测准确性。