Recommended
Recommended
More Related Content
What's hot
What's hot (20)
End to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography
- 1. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography
- 2. ABSTRACT • 米国では，2018年に約160,000人が肺癌で死亡している • 肺癌の早期発見には，低線量CT（LDCT）によるスクリーニングが有効 • スクリーニングの偽陽性と偽陰性の高さが課題となっている • 3D画像認識を用いたLDCTでの肺がんのスクリーニングを提案 • 肺がん予測に関するAUCは94.4％（放射線科医を上回る精度） 2
- 3. BACKGROUND • 米国での喫煙者を対象とした肺がん検診の臨床試験(NLST)の結果，胸部X線 に比べ，LDCT検診は肺がん死亡者を20%減らせると分析した．[Aberle et al. 2011] • 肺がんを早期発見するためには，画像中の結節を適切に検知する必要がある • ただし，多くの結節は悪性ではないため，見逃しのリスクとコストのバラン スが重要 • American College of Radiology（ACR）は「Lung-RADS」と呼ばれるCTの スクリーニングに関する標準的な指標を開発した． 3
- 6. BACKGROUND • Lung-RADSなどの一貫性のある指標が開発されたが，評価のバラつきや画像 所見の特徴を十分に網羅できていないなどの問題は残る • 深層学習の場合，画像所見の微妙な特徴まで自動で検出可能 • これまでにも，computer-aided detection (CADe) と呼ばれる画像中の異常所 見を検出するシステムはいくつか存在した • CADeは画像中の異常所見（結節など）を検出できるが，悪性度の評価や臨 床的な意思決定は臨床医に委ねている • computer-aided diagnosis (CADx) は，事前に特定された病変に対する診断支 援を行うシステムであり，大きな関心を集めている • FDAの最初の承認を得ているCADxも存在するが，肺がんに関するCADxは論 文執筆の時点では存在しない 6
- 7. METHOD • 肺がんのスクリーニングに関するCADxとして，CT画像から肺がんのリスク 分類を行うend-to-endのアプローチを提案 • 本論文のアプローチでの重要な点は以下の３つ 1. ３D CNNモデルにより，CT全体を学習するモデルを構築（Full-volume model） 2. 肺がんの候補となるROIの検出モデルを構築（Cancer ROI detection） 3. 1.2.の出力から，がんのリスクを予測するモデルを構築（Cancer risk prediction model） 7
- 9. Cancer ROI detection model • RetinaNetを拡張したモデルを用いてROIを検出 • 下図の赤色のbounding boxがdetection modelにより検出されたもの • bounding boxは，主に放射線科医によるアノテーションデータを用いて学習 • 検出されたbounding boxを固定サイズのCancer ROI（水色）に調整 9
- 10. Lung segmentation • Mask-RCNNによるLung segmentation • 学習はLUNAデータセットを利用 • 結果のmaskは，そのbounding boxの中心点を計算するために用いられる 10 Rikxoort et al. 2009
- 11. Full-volume model • Lung segmentationにより，抽出されたパッチを入力画像として利用 • Inception V1を3Dに拡張したモデルを採用 • 1年以内に肺がんになる確率を予測 • ImageNetにより訓練済のパラメータをFine-tuning • 出力層の直前の層（1,024 features）を特徴量として後のモデルに利用 11
- 12. Inception V1 (GoogLeNet) • Inceptionモジュール（呼ばれる異なるサイズの畳み込み層やpooling層から 構成される小さなネットワーク）を定義 12 Christian et al. 2014
- 13. Inception V1 (GoogLeNet) • ILSVRC 2014 Classification で優勝したモデル 13
- 14. Cancer risk prediction model • Cancer ROI detection model と Full-volume modelの出力を利用 • これにより，病変に関する局所的な情報とCT全体の大域的な情報の両方を 予測で用いることが可能 14
- 15. Output (Malignancy probability) • 全体に対して単一ラベルのみを使用した学習は難しい可能性がある • detection modelにより選択した2つのROI候補から下式により，スコアを計 算 𝑠𝑐𝑜𝑟𝑒 = 1 − (1 − 𝑝1)(1 − 𝑝2) 15 ※ROI候補の数はチューニングにより調整
- 16. Data selection • NLST Dataset（NIHにより公開されているopen dataset）を利用 • 一部を対象から除き，14,851人から成る42,290枚のCT画像を選択 • 訓練データ：70%（10,306人 [398]／29,541枚 [401]） • 検証データ：15%（2,198人 [94]／6,034枚 [94]） • テストデータ：15%（2,347人 [86]／6,716枚 [86]） 16 ※[ ]はcancer positiveの数 スクリーニングから1年以内に生検により癌と診断された例をcancer positive caseと 定義
- 17. LUMAS • 本研究でLUMAS (lung malignancy scores) を開発 • LUMASは，Malignancy probabilityに基づいて4つ値に分類される • Lung-RADS CategoryのMalignancy probabilityと一致するようにカットオフ を調整 17 Pinsky et al. 2015
- 18. Reader studies • 6人の放射線科医が読影医として研究に参加 • 全員がUS認定医で平均経験年数は8年 • 各読影医は，各画像の病変にROIとLung-RADS Scoreを適用 • モデルのLUMASに基づくスコアと読影医のLung-RADS Scoreの平均で精度 比較 18
- 19. Clinical validation • LUMASとLung-RADS Scoreから，cancer-positiveを予測 • 各Category別に以下のようなcutoff値を設定 19 No cancer-negative cancer-positive (1) 1,2 3+ (2) 1,2,3 4A+ (3) 1,2,3,4A 4B/X (1)はcutoff値が低いので，Sensibility↑ & Specificity↓ (3) はcutoff値が高いので，Sensibility↓ & Specificity↑
- 20. lung cancer screening on a single CT volume 1枚のCT画像での実験結果 • AUCは95.9% • どのcutoff値でも読影医の精度を上回 る • Lung-RADS 3+ をcancer-positiveとし たcutoff値においては，読影医と比較 して Sensibility + 5.2% Specificity + 11.6% 20
- 21. lung cancer screening using current and prior CT volume 21 過去と現在のCT画像での実験結果 • AUCは92.6% • モデルと読影医の両方で1枚の画像で の評価結果を下回った
- 22. DISCUSSION • 過去画像を含めると，精度が低下 ⁻ 癌を発見しやすい患者の画像がベースラインの年に既に診断され，除外されており，過去 画像を持つ患者は判断が難しい微妙な癌症例しか残されていなかったためと考えられる • 入手可能な癌症例の画像の不足 ⁻ 汎用性を高めるため，多様な特徴の癌の症例を含めた学習が望まれる • 読影医とモデルの精度比較のため，cutoff値を設定して評価を行った ⁻ 臨床応用を考える場合，見逃しのリスクとコストに関する更なる研究が必要 22
- 23. Example LUMAS 4B/X false positives 23
- 24. Example LUMAS 4A false positives 24
- 25. References • Aberle DR, Adams AM, Berg CD, Black WC, Clapp JD, Fagerstrom RM. Gareen IF, Gatsonis C, Marcus PM, Sicks JD; National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low- dose computed tomographic screening (2011) • van Rikxoort EM, de Hoop B, Viergever MA, Prokop M, van Ginneken B. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection (2009) • Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. Going Deeper with Convolutions (2014) • Pinsky PF, Gierada DS, Black W, Munden R, Nath H, Aberle D, Kazerooni E. Performance of Lung- RADS in the National Lung Screening Trial: a retrospective assessment (2015) 25