[论文解读] Fully Automatic Binary Glioma Grading based on Pre-Therapy MRI using 3D Convolutional Neural Networks

Milan Decuyper, Roel Van Holen|arXiv (Cornell University)|Aug 5, 2019

Brain Tumor Detection and Classification参考文献 7被引用 4

一句话总结

本研究提出了一种完全自动化的基于3D CNN的系统，利用治疗前MRI进行胶质母细胞瘤的二分类分级，结合3D U-Net进行肿瘤分割和3D残差网络进行分类。在包含549名患者的异质性数据集上达到91%的准确率，在独立医院数据上达到92%，表明该系统在多种成像协议下均具有稳健的性能。

ABSTRACT

The optimal treatment strategy of newly diagnosed glioma is strongly influenced by tumour malignancy. Manual non-invasive grading based on MRI is not always accurate and biopsies to verify diagnosis negatively impact overall survival. In this paper, we propose a fully automatic 3D computer-aided diagnosis (CAD) system to non-invasively differentiate high-grade glioblastoma from lower-grade glioma. The approach consists of an automatic segmentation step to extract the tumour ROI followed by classification using a 3D convolutional neural network. Segmentation was performed using a 3D U-Net achieving a dice score of 88.53% which matches top performing algorithms in the BraTS 2018 challenge. The classification network was trained and evaluated on a large heterogeneous dataset of 549 patients reaching an accuracy of 91%. Additionally, the CAD system was evaluated on data from the Ghent University Hospital and achieved an accuracy of 92% which shows that the algorithm is robust to data from different centres.

研究动机与目标

• 开发一种完全自动化、非侵入性的方法，仅利用治疗前MRI区分高级别胶质母细胞瘤（GBM）与低级别胶质瘤（LGG）。
• 克服传统手动MRI分级的局限性，后者因非增强的高级别肿瘤而存在敏感性低（55–83%）和假阴性率高的问题。
• 通过实现高精度的非侵入性诊断，减少对侵袭性活检的依赖，从而避免其对患者生存的负面影响。
• 通过在来自多个来源的大规模异质性数据集上进行训练，确保系统在不同成像协议和临床中心之间的鲁棒性。
• 通过结合3D U-Net分割与3D CNN分类的两阶段流程，在胶质母细胞瘤分级任务中实现最先进性能。

提出的方法

• 使用实例归一化和Leaky ReLU激活函数的3D U-Net在285名BraTS 2018患者上进行训练，利用T1、T1ce、T2和FLAIR序列对全肿瘤体积进行分割。
• 训练过程中对T1或T2/FLAIR通道进行随机掩码，以提升对临床实践中缺失MRI序列的鲁棒性。
• 分割模型采用软Dice损失函数，结合L2权重衰减和ADAM优化，在128×128×128的补丁上以2的批量大小进行训练。
• 从T1ce扫描中提取肿瘤感兴趣区域（ROIs），重采样至112×112×112，并输入到一个3D残差分类网络，该网络包含一个7×7卷积核和四个残差块。
• 分类网络采用带动量的SGD优化，结合L2权重衰减和实时数据增强（翻转、旋转、填充），以防止过拟合。
• 系统在400名患者（200例GBM，200例LGG）上进行训练，69例用于验证，80例TCIA患者和112例根特大学医院患者用于测试，分割与分类任务的训练和测试数据之间无重叠。

实验结果

研究问题

• RQ1 完全自动化的3D CNN流程是否能仅利用治疗前MRI实现对高级别胶质母细胞瘤与低级别胶质瘤的高精度区分？
• RQ2 该系统在来自不同成像协议的独立多中心数据上的表现如何？
• RQ3 数据增强和序列掩码在提升对缺失MRI序列鲁棒性方面的效果如何？
• RQ4 两阶段方法（先分割后3D CNN分类）是否在性能上超越现有CAD系统，达到最先进水平？
• RQ5 该模型是否能有效泛化到超越BraTS等基准数据集的真实世界临床数据？

主要发现

• 当使用全部四种MRI序列时，3D U-Net在BraTS 2018测试集上达到88.53%的Dice分数，与最先进水平相当。
• 在TCIA测试集上，系统准确率达91.25%，AUC为96.29%，MCC为82.19%，表现出优异的诊断性能。
• 在根特大学医院的独立数据上，系统准确率达91.96%，AUC为93.39%，MCC为83.91%，证实其对跨中心差异具有强鲁棒性。
• 在TCIA数据上的敏感度为91.18%，在医院数据上为90.48%，表明对高级别胶质母细胞瘤病例具有强大的检测能力。
• 在TCIA数据上的特异性为91.30%，在医院数据上为93.88%，表明在识别低级别胶质瘤方面具有高精度。
• 即使仅使用T1ce和FLAIR或T1ce和T2序列，模型仍保持高性能，表明其对不完整数据具有强大的泛化能力。