[论文解读] Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning

Yuankai Huo, Jinzheng Cai+8 more|arXiv (Cornell University)|Jun 28, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 58被引用 9

一句话总结

本文提出了一种完全自动化的多阶段框架，用于在多期 CT 中对肝脏病变进行表征，采用 3D 非各向同性无锚检测和空间自适应深度纹理（SaDT）学习。通过利用一种半自动标注策略，将金标准标注从 200 例扩展至 1,001 例患者，该框架在区分 HCC 与其他亚型时实现了 0.763 的 F1 分数，超越了放射科医生的表现，并与先进的 MRI 协议相当。

ABSTRACT

Non-invasive radiological-based lesion characterization and identification, e.g., to differentiate cancer subtypes, has long been a major aim to enhance oncological diagnosis and treatment procedures. Here we study a specific population of human subjects, with the hope of reducing the need for invasive surgical biopsies of liver cancer patients, which can cause many harmful side-effects. To this end, we propose a fully-automated and multi-stage liver tumor characterization framework designed for dynamic contrast computed tomography (CT). Our system comprises four sequential processes of tumor proposal detection, tumor harvesting, primary tumor site selection, and deep texture-based tumor characterization. Our main contributions are that, (1) we propose a 3D non-isotropic anchor-free detection method for liver lesions; (2) we present and validate spatially adaptivedeep texture (SaDT) learning, which allows for more precise characterization of liver lesions; (3) using a semi-automatic process, we bootstrap off of 200 gold standard annotations to curate another 1001 patients. Experimental evaluations demonstrate that our new data curation strategy, combined with the SaDT deep dynamic texture analysis, can effectively improve the mean F1 scores by >8.6% compared with baselines, in differentiating four major liver lesion types. Our F1 score of (hepatocellular carcinoma versus remaining subclasses) is 0.763, which is higher than reported human observer performance using dynamic CT and comparable to an advanced magnetic resonance imagery protocol. Apart from demonstrating the benefits of our data curation approach and physician-inspired workflow, these results also indicate that analyzing texture features, instead of standard object-based analysis, is a promising strategy for lesion differentiation.

研究动机与目标

• 通过利用多期 CT 实现非侵入性、准确的肝脏病变分型，以减少对侵入性活检的依赖。
• 解决肝脏癌亚型（如 HCC 与 ICC、转移性病变、良性病变）在放射科医生共识下仍常出现误诊的问题。
• 开发一种可扩展的半自动数据标注流水线，从有限的金标准标注起步，扩展至 1,001 例患者研究，具备组织病理学金标准。
• 通过建模对比相位间的动态纹理模式，超越基于目标的分析，提升病变表征能力。
• 证明深度纹理学习在区分肝脏肿瘤细微影像表型方面优于传统基于目标的识别方法。

提出的方法

• 采用基于 CenterNet 的 3D 非各向同性无锚检测网络，用于肿瘤候选区域检测及训练阶段的半自动肿瘤提取。
• 在推理阶段应用关键切片过滤（KSF），以选择最具诊断信息的 CT 期相进行分析。
• 引入空间自适应深度纹理（SaDT）学习，以建模动脉期、静脉期和延迟期之间的动态对比增强模式。
• 该框架采用弱监督数据标注策略：使用 200 例完全标注病例训练检测模型，随后在额外 1,001 例病例中识别肿瘤，通过临床和病理报告进行验证。
• 采用全卷积网络（FCN）实现肿瘤感兴趣区域（ROIs）的端到端分割与分类。
• 系统以半自动模式运行，可接受人工绘制的 ROI，或在结合检测模块时实现全自动运行。

实验结果

研究问题

• RQ1 3D 无锚检测网络是否能以高敏感性和特异性在多期 CT 中有效识别肝脏病变？
• RQ2 深度动态纹理学习（SaDT）是否显著提升在肝脏肿瘤表征中相对于标准基于目标分析的分类性能？
• RQ3 半自动标注流水线是否能在保持诊断准确性的前提下，将少量金标准标注扩展为大规模数据集？
• RQ4 该框架在区分 HCC 与其他肝脏病变亚型方面，与人类放射科医生的表现相比如何？
• RQ5 各期之间的动态对比增强模式在多大程度上能超越形态学特征，提升病变分类性能？

主要发现

• 所提出的标注策略结合弱监督检测与专家验证，相较于基线方法，平均 F1 分数提升超过 8.6%。
• 该系统在区分肝细胞癌（HCC）与其他病变亚型时，F1 分数达到 0.763，超过报告的人类读者表现（F1 = 0.690）。
• 该框架表现与先进磁共振成像协议相当，表明基于 CT 的纹理分析可与多模态方法媲美。
• SaDT 模块通过建模时间对比动力学显著提升了表征准确性，优于传统的基于 CNN 的目标识别方法。
• KSF 模块通过选择最优诊断期相，提升了推理鲁棒性，减少了噪声和无关数据。
• 该框架在包含 1,305 例多期 CT 研究的大型临床相关数据集上得到验证，具备组织病理学金标准，其中包含 196 例训练和 108 例测试病例的完整标注。