[论文解读] Discovery Radiomics via StochasticNet Sequencers for Cancer Detection

Mohammad Javad Shafiee, Audrey G. Chung+4 more|arXiv (Cornell University)|Nov 11, 2015

Radiomics and Machine Learning in Medical Imaging参考文献 10被引用 17

一句话总结

本文提出一种基于随机网络（StochasticNet）放射组学序列器的发现型放射组学框架，可从肺部CT扫描中自动学习定制的、数据驱动的放射组学特征，绕过手工设计的特征集。该方法利用一种随机、稀疏连接的深度卷积网络架构，在分类42,340个肺部病灶时达到84.49%的准确率，其敏感度（91.07%）和特异度（75.98%）均优于以往最先进方法。

ABSTRACT

Radiomics has proven to be a powerful prognostic tool for cancer detection, and has previously been applied in lung, breast, prostate, and head-and-neck cancer studies with great success. However, these radiomics-driven methods rely on pre-defined, hand-crafted radiomic feature sets that can limit their ability to characterize unique cancer traits. In this study, we introduce a novel discovery radiomics framework where we directly discover custom radiomic features from the wealth of available medical imaging data. In particular, we leverage novel StochasticNet radiomic sequencers for extracting custom radiomic features tailored for characterizing unique cancer tissue phenotype. Using StochasticNet radiomic sequencers discovered using a wealth of lung CT data, we perform binary classification on 42,340 lung lesions obtained from the CT scans of 93 patients in the LIDC-IDRI dataset. Preliminary results show significant improvement over previous state-of-the-art methods, indicating the potential of the proposed discovery radiomics framework for improving cancer screening and diagnosis.

研究动机与目标

• 为克服手工设计的放射组学特征在捕捉独特癌症表型方面的局限性。
• 开发一种可直接从大规模医学影像数据中发现定制放射组学特征的框架。
• 通过利用随机、参数高效的深度学习架构，提升癌症检测的准确性。
• 通过数据驱动的特征发现，实现更个性化、精准的癌症筛查与诊断。
• 在LIDC-IDRI数据集中大规模增强的肺部病灶数据集上验证该框架。

提出的方法

• 该框架采用深度卷积随机网络（StochasticNet）架构，其中神经连接基于概率连通性模型随机生成。
• StochasticNet放射组学序列器由三个卷积层组成，感受野分别为32、32和64（5×5），每层具有0.5的均匀连通概率。
• 这种随机连通性使参数数量相比全连接CNN减少约50%，从而实现更快的训练与推理速度。
• 该放射组学序列器在来自93名患者的LIDC-IDRI数据集的42,340个肺部病灶的大型增强数据集上进行端到端训练。
• 通过45°和10°旋转进行数据增强，提升了病灶多样性并改善了泛化能力。
• 所发现的序列器为每个病灶生成定制的放射组学序列，用于恶性与良性组织的二分类。

实验结果

研究问题

• RQ1 基于数据驱动与发现机制的放射组学框架是否能在肺癌检测中超越传统手工设计的放射组学特征集？
• RQ2 随机、稀疏连接的深度学习架构（StochasticNet）在从医学影像数据中学习定制放射组学特征方面的有效性如何？
• RQ3 与最先进方法相比，所提出的框架在分类肺部病灶时，其敏感度与特异度的提升程度如何？
• RQ4 使用数据增强与随机连通性是否能降低过拟合风险，同时保持高分类准确率？
• RQ5 定制放射组学特征的发现是否能在真实世界中异质性CT扫描数据上带来更好的性能表现？

主要发现

• StochasticNet放射组学序列器（SNRS）在增强的LIDC-IDRI数据集（共42,340个肺部病灶）上实现了84.49%的整体准确率。
• SNRS的敏感度达到91.07%，显著优于信念决策树（BDT）和深度自编码放射组学序列器（DARS）方法。
• SNRS的特异度为75.98%，远高于DARS的20.18%，表明其在区分良性与恶性病灶方面具有更好的平衡性。
• 所提出的框架优于最先进方法DARS，后者仅实现75.01%的准确率且特异度表现极差。
• 由于采用随机连通性，SNRS框架以更少的参数实现高性能，从而支持更快的训练与推理。
• 结果表明，通过StochasticNet序列器实现的发现型放射组学可挖掘出超越传统手工设计特征的抽象、表型特异性特征，从而提升癌症检测能力。