Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images

要約

コンピュータ断層撮影（CT）で検出される副腎の腫瘤病変（副腎腫瘤）を正確に分類することは、診断と患者管理にとって重要である。副腎腫瘤には良性と悪性があり、良性腫瘤の有病率は様々である。畳み込みニューラルネットワーク（CNN）に基づく分類法は、大規模な医用画像トレーニングデータセットにおけるクラス間差異を最大化する最先端の技術である。副腎腫瘤に対するCNN, の適用は、クラス内変動が大きいこと、クラス間類似度が大きいこと、腫瘤病変の大きさによる学習データの不均衡のために困難である。我々はこれらの限界を克服するために、深層マルチスケール類似ネットワーク（DMRN）を開発し、クラス内類似性を評価するためにペアCNNを活用した。また，マルチスケール特徴埋込法を用いて，入力の異なるスケールで生成された相補的な情報を繰り返し組み合わせて構造化特徴記述子を作成し，クラス間の分離可能性を向上させた．また，アンバランスな学習データの影響を軽減するために，ランダムにサンプリングしたペアの副腎腫瘤で学習データを補強した．評価には，副腎腫瘤を有する患者の CT スキャン 229 枚を使用した．5重のクロスバリデーションにおいて，本手法は最先端の手法と比較して最も良い結果（精度89.52%）を得た（p<0.05）．我々は、30クラスにわたる6,776画像のトレーニングセットと4,166画像のテストセットからなるImageCLEF 2016 competition dataset for medical subfigure classificationで我々の手法の一般化可能性分析を実施した。我々の手法は、既存の手法と比較した場合、より優れた分類性能（精度で85.90％）を達成し、追加の学習データを必要とする手法と比較した場合（精度で1.47％低い）、競争力がありました。我々のDMRNはCT上の副腎腫瘤をサブクラス化し、最新のアプローチより優れていた。

要約(オリジナル)

The accurate classification of mass lesions in the adrenal glands (adrenal masses), detected with computed tomography (CT), is important for diagnosis and patient management. Adrenal masses can be benign or malignant and benign masses have varying prevalence. Classification methods based on convolutional neural networks (CNNs) are the state-of-the-art in maximizing inter-class differences in large medical imaging training datasets. The application of CNNs, to adrenal masses is challenging due to large intra-class variations, large inter-class similarities and imbalanced training data due to the size of the mass lesions. We developed a deep multi-scale resemblance network (DMRN) to overcome these limitations and leveraged paired CNNs to evaluate the intra-class similarities. We used multi-scale feature embedding to improve the inter-class separability by iteratively combining complementary information produced at different scales of the input to create structured feature descriptors. We augmented the training data with randomly sampled paired adrenal masses to reduce the influence of imbalanced training data. We used 229 CT scans of patients with adrenal masses for evaluation. In a five-fold cross-validation, our method had the best results (89.52% in accuracy) when compared to the state-of-the-art methods (p<0.05). We conducted a generalizability analysis of our method on the ImageCLEF 2016 competition dataset for medical subfigure classification, which consists of a training set of 6,776 images and a test set of 4,166 images across 30 classes. Our method achieved better classification performance (85.90% in accuracy) when compared to the existing methods and was competitive when compared with methods that require additional training data (1.47% lower in accuracy). Our DMRN sub-classified adrenal masses on CT and was superior to state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL