[论文解读] Multi-Scale Coarse-to-Fine Segmentation for Screening Pancreatic Ductal Adenocarcinoma

Zhuotun Zhu, Yingda Xia+3 more|arXiv (Cornell University)|Jul 9, 2018

Advanced Neural Network Applications参考文献 14被引用 22

一句话总结

本文提出了一种多尺度粗到细的分割-分类框架，用于在腹部CT扫描中检测胰腺导管腺癌（PDAC）。通过以粗到细的方式在多个输入尺度（64³、32³、16³）上进行训练和测试，并使用后处理异常值过滤器，该方法在包含439例CT扫描的新数据集上实现了94.1%的敏感度和98.5%的特异度，为放射科医生提供了可解释的肿瘤定位，有助于早期诊断。

ABSTRACT

We propose an intuitive approach of detecting pancreatic ductal adenocarcinoma (PDAC), the most common type of pancreatic cancer, by checking abdominal CT scans. Our idea is named multi-scale segmentation-for-classification, which classifies volumes by checking if at least a sufficient number of voxels is segmented as tumors, by which we can provide radiologists with tumor locations. In order to deal with tumors with different scales, we train and test our volumetric segmentation networks with multi-scale inputs in a coarse-to-fine flowchart. A post-processing module is used to filter out outliers and reduce false alarms. We collect a new dataset containing 439 CT scans, in which 136 cases were diagnosed with PDAC and 303 cases are normal, which is the largest set for PDAC tumors to the best of our knowledge. To offer the best trade-off between sensitivity and specificity, our proposed framework reports a sensitivity of 94.1% at a specificity of 98.5%, which demonstrates the potential to make a clinical impact.

研究动机与目标

• 为解决胰腺导管腺癌（PDAC）早期检测的临床挑战，该病在晚期诊断时预后较差。
• 开发一种可解释的人工智能系统，不仅能将CT扫描分类为正常或PDAC，还能定位可疑的肿瘤区域以供放射科医生审查。
• 克服在低对比度、形状不规则的胰腺中检测不同大小肿瘤的困难，利用深度学习技术。
• 创建并发布迄今为止最大的公开PDAC数据集，包含439例经标注的CT扫描，其中136例为PDAC，303例为正常病例。
• 在筛查中实现敏感度与特异度的高平衡，确保极少漏诊的同时减少假阳性结果。

提出的方法

• 该框架采用分割-分类方法，利用肿瘤分割输出将整个CT体积分类为正常或PDAC。
• 采用多尺度输入策略，使用基于3D U-Net的网络在64³、32³和16³体素块上进行训练和测试，以检测不同大小的肿瘤。
• 采用粗到细的测试流程，首先使用64³网络对整个体积进行粗略检测，然后在边界框内使用更小尺度的网络进行精炼检测。
• 采用非参数化后处理模块，过滤掉孤立的小区域，以减少假阳性结果，且不依赖于学习得到的阈值。
• 计算置信度分数作为肿瘤体积与分割概率的加权和，支持受试者工作特征（ROC）曲线分析，以权衡敏感度与特异度。
• 通过体素级标注实现深度监督训练，提升模型的泛化能力和定位准确性。

实验结果

研究问题

• RQ1 多尺度、粗到细的分割-分类框架是否能提高在腹部CT扫描中对小尺寸和中尺寸PDAC肿瘤的检测敏感度？
• RQ2 将分割输出整合到分类中，如何提升对放射科医生而言的可解释性和临床实用性？
• RQ3 在真实临床环境中，PDAC筛查的敏感度与特异度之间最优权衡是什么？
• RQ4 后处理过滤器是否能有效减少小尺度分割输出带来的假阳性结果，同时不损失敏感度？
• RQ5 与标准3D分割网络相比，所提出的框架在大规模新收集的PDAC数据集上的表现如何？

主要发现

• 所提出的多尺度粗到细分割-分类框架在439例CT扫描的数据集中实现了94.1%的敏感度和98.5%的特异度，该数据集是迄今为止最大的PDAC数据集。
• 该方法成功检测了各种大小的肿瘤，在64³尺度下敏感度达到92.7%，并通过多尺度融合进一步提升了性能。
• 后处理模块有效减少了假阳性结果，测试中仅发现三个假警报，其中两个经放射科医生确认为局灶性脂肪浸润——PDAC的常见临床模拟征象。
• 基于肿瘤体积和分割概率的置信度分数可实现灵活的敏感度-特异度权衡，在95.6%特异度下达到98.5%敏感度，或在99.5%特异度下达到94.1%敏感度。
• 该框架在分割和分类性能上均优于标准3D U-Net和VNet主干网络，证明了多尺度粗到细策略的优势。
• 本研究提供了一个新的、大规模的、体素级标注的439例数据集（136例PDAC，303例正常），该数据集公开可用，可支持未来PDAC检测研究。