Integrating features from lymph node stations for metastatic lymph node detection

要約

原発性腫瘍細胞の最も一般的な広がり方であるリンパ節（LN）への転移は、死亡率上昇の兆候である。しかし、転移性LNはサイズが小さく、スパース性が高く、外観があいまいなため、専門の放射線科医でも検出に時間がかかり、困難です。近年のディープラーニングの発展を活用し、転移性LNを自動的に検出することが望まれています。ここでは、2段階の検出ネットワークに加えて、放射線科医が転移性LNを診断する際に重要な参考となるLN局在の情報を、転移性LN検出のための補助情報として活用するための追加ブランチを導入します。このブランチは、LNステーションの表現を学習するために、LNステーションレベルで密接に関連するタスク、すなわち、LNステーションが転移性LNを含むか否かの分類を解くことを目標とする。転移性LNは近傍のLNに大きな影響を与えることが予想されるため、本枝ではGCNベースの構造を採用し、異なるLN間の関係をモデル化する。転移性LN検出の分類段階では、上記の学習されたLN局特徴量と、LN候補とLN局との距離を反映した特徴量が統合される。本手法を口腔扁平上皮癌患者の静脈内造影CT画像114枚を含むデータセットで検証し、mFROC、maxF1、AUCスコアでそれぞれ複数の最先端手法より優れていることを示している。

要約(オリジナル)

Metastasis on lymph nodes (LNs), the most common way of spread for primary tumor cells, is a sign of increased mortality. However, metastatic LNs are time-consuming and challenging to detect even for professional radiologists due to their small sizes, high sparsity, and ambiguity in appearance. It is desired to leverage recent development in deep learning to automatically detect metastatic LNs. Besides a two-stage detection network, we here introduce an additional branch to leverage information about LN stations, an important reference for radiologists during metastatic LN diagnosis, as supplementary information for metastatic LN detection. The branch targets to solve a closely related task on the LN station level, i.e., classifying whether an LN station contains metastatic LN or not, so as to learn representations for LN stations. Considering that a metastatic LN station is expected to significantly affect the nearby ones, a GCN-based structure is adopted by the branch to model the relationship among different LN stations. At the classification stage of metastatic LN detection, the above learned LN station features, as well as the features reflecting the distance between the LN candidate and the LN stations, are integrated with the LN features. We validate our method on a dataset containing 114 intravenous contrast-enhanced Computed Tomography (CT) images of oral squamous cell carcinoma (OSCC) patients and show that it outperforms several state-of-the-art methods on the mFROC, maxF1, and AUC scores,respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL