[论文解读] Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network

Chun-Hung Chao, Zhuotun Zhu+11 more|arXiv (Cornell University)|Aug 29, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 28被引用 4

一句话总结

本文提出一种3D CNN-GNN框架，联合建模淋巴结（LN）外观特征与淋巴结间关系，以提升肿瘤影像中淋巴结大体肿瘤体积（OSLN）的检测效果。通过利用图神经网络编码空间先验和转移扩散路径，该方法在142例食管癌放疗患者数据集上，相较于SOTA方法，在每例患者6个假阳性（FP）时，平均敏感度提升13.1%，同时降低假阳性率。

ABSTRACT

Determining the spread of GTV$_{LN}$ is essential in defining the respective resection or irradiating regions for the downstream workflows of surgical resection and radiotherapy for many cancers. Different from the more common enlarged lymph node (LN), GTV$_{LN}$ also includes smaller ones if associated with high positron emission tomography signals and/or any metastasis signs in CT. This is a daunting task. In this work, we propose a unified LN appearance and inter-LN relationship learning framework to detect the true GTV$_{LN}$. This is motivated by the prior clinical knowledge that LNs form a connected lymphatic system, and the spread of cancer cells among LNs often follows certain pathways. Specifically, we first utilize a 3D convolutional neural network with ROI-pooling to extract the GTV$_{LN}$'s instance-wise appearance features. Next, we introduce a graph neural network to further model the inter-LN relationships where the global LN-tumor spatial priors are included in the learning process. This leads to an end-to-end trainable network to detect by classifying GTV$_{LN}$. We operate our model on a set of GTV$_{LN}$ candidates generated by a preliminary 1st-stage method, which has a sensitivity of $>85\%$ at the cost of high false positive (FP) ($>15$ FPs per patient). We validate our approach on a radiotherapy dataset with 142 paired PET/RTCT scans containing the chest and upper abdominal body parts. The proposed method significantly improves over the state-of-the-art (SOTA) LN classification method by $5.5\%$ and $13.1\%$ in F1 score and the averaged sensitivity value at $2, 3, 4, 6$ FPs per patient, respectively.

研究动机与目标

• 解决在低对比度和高解剖变异背景下，因难以分辨而常被遗漏的小型转移可疑淋巴结（OSLN）检测难题。
• 通过减少第一阶段检测系统生成的高敏感度候选集中的假阳性，提升OSLN检测的精确度。
• 通过使用图神经网络学习淋巴结间关系，建模癌症沿连接淋巴管路径扩散的生物学先验。
• 开发一种端到端可训练框架，整合基于3D CNN的外观特征与基于GNN的关系推理，以提升OSLN分类性能。

提出的方法

• 使用3D卷积神经网络（CNN）从候选淋巴结的CT和PET图像中提取实例级外观特征。
• 通过图神经网络（GNN）建模淋巴结间关系，其中节点代表候选LN，边编码相对于原发肿瘤的3D空间距离和角度。
• 将全局空间先验（如距离和角度关系）融入GNN，以反映淋巴系统解剖连接性。
• 在GNN中采用元素级特征融合策略，聚合多尺度关系特征，提升对真实OSLN与假阳性的判别能力。
• 整个流程端到端可训练，结合3D CNN特征提取与基于GNN的关系推理，实现OSLN的联合分类。
• 在142例食管癌患者的配对PET/CT扫描数据上评估该方法，使用高敏感度候选集（敏感度>85%），但假阳性率超过15个/患者。

实验结果

研究问题

• RQ1 建模淋巴结间关系是否能提升在非增强CT放疗影像中对小型转移可疑淋巴结（OSLN）的检测效果？
• RQ2 在仅依赖外观特征的基础上，引入全局空间先验（如相对于原发肿瘤的距离和角度关系）是否能进一步提升OSLN分类性能？
• RQ3 与传统实例级分类方法相比，图神经网络在保持高敏感度的同时，是否能更有效地降低假阳性率？
• RQ4 将3D CNN特征与关系型GNN表征融合，在OSLN检测中是否能显著超越SOTA方法？

主要发现

• 所提出的CNN+GNN p模型在相同数据集上相较SOTA的2.5D CNN方法，F1分数绝对提升5.5%。
• 在每例患者6个假阳性时，与SOTA基线相比，平均敏感度提升13.1%，表明对高FP率具有强鲁棒性。
• 在CT+PET输入且引入空间先验条件下，mFROC从0.595提升至0.664，提升6.9%，优于3D CNN和节点级GNN融合基线。
• GNN中的元素级特征融合在CT设置下较3D CNN提升3.4% mFROC，在CT+PET设置下提升6.9%，证实关系推理的有效性。
• 定性结果显示，GNN能正确重新分类位于低概率邻近淋巴结附近的假阳性，且在存在多个强阳性候选时，能正确识别小型真实OSLN。
• 所有模型中，添加PET影像均一致提升mFROC，表明其在增强OSLN检测性能方面具有关键作用。