A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging

要約

リンパ節転移の有無は，切除可能な膵管腺癌（PDAC）患者，あるいは一般にあらゆる種類の固形悪性腫瘍の予後および癌の病期判定に最も重要な因子の一つである。非侵襲的CT画像から術前にLN転移を予測することは、次のネオアジュバント治療の決定や手術計画の指針として簡単に使用できるため、非常に望まれている。多くの研究は、CT画像から腫瘍の特徴を捉え、暗黙のうちにLN転移を推測しているに過ぎず、LNのCT画像情報を直接利用した研究はほとんどない。我々の知る限り、本論文は、LN転移の状態予測タスクを直接促進するために、全自動LNセグメンテーションおよび識別ネットワークを提案した最初の論文である。しかしながら、LNは他の陰性構造（例えば、血管）と混同されやすいため、LNのセグメンテーション/検出は非常に困難である。我々は、膵臓のLN位置の解剖学的空間コンテキストプリオールを探索し、関連する臓器や血管からガイドアテンションマップを生成して、セグメンテーションとLNの状態を推測することを支援する。このように、LNのセグメンテーションは、特定の臓器や血管に関して解剖学的に隣接しているか、またはもっともらしい領域に焦点を当てるように促されている。転移性LN識別ネットワークは、セグメンテーションネットワークを事前学習されたバックボーンとして再利用し、新しい分類ヘッドをパディングすることにより、セグメント化されたLNインスタンスを陽性または陰性に分類するように学習される。さらに重要な点として、LNセグメンテーション/識別の患者単位の集計結果と、腫瘍領域から抽出した深部画像特徴を組み合わせたLN転移状態予測ネットワークを開発する。PDAC患者749人の発見データセットに対して、広範な定量的ネステッド5重クロスバリデーションを実施する。

要約(オリジナル)

Lymph node (LN) metastasis status is one of the most critical prognostic and cancer staging factors for patients with resectable pancreatic ductal adenocarcinoma (PDAC), or in general, for any types of solid malignant tumors. Preoperative prediction of LN metastasis from non-invasive CT imaging is highly desired, as it might be straightforwardly used to guide the following neoadjuvant treatment decision and surgical planning. Most studies only capture the tumor characteristics in CT imaging to implicitly infer LN metastasis and very few work exploit direct LN’s CT imaging information. To the best of our knowledge, this is the first work to propose a fully-automated LN segmentation and identification network to directly facilitate the LN metastasis status prediction task. Nevertheless LN segmentation/detection is very challenging since LN can be easily confused with other hard negative anatomic structures (e.g., vessels) from radiological images. We explore the anatomical spatial context priors of pancreatic LN locations by generating a guiding attention map from related organs and vessels to assist segmentation and infer LN status. As such, LN segmentation is impelled to focus on regions that are anatomically adjacent or plausible with respect to the specific organs and vessels. The metastasized LN identification network is trained to classify the segmented LN instances into positives or negatives by reusing the segmentation network as a pre-trained backbone and padding a new classification head. More importantly, we develop a LN metastasis status prediction network that combines the patient-wise aggregation results of LN segmentation/identification and deep imaging features extracted from the tumor region. Extensive quantitative nested five-fold cross-validation is conducted on a discovery dataset of 749 patients with PDAC.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL