Evaluating the Effectiveness of 2D and 3D Features for Predicting Tumor Response to Chemotherapy

要約

2D および 3D の腫瘍特徴は、さまざまな医用画像解析タスクで広く使用されています。
ただし、化学療法の反応予測では、特に卵巣がん関連のアプリケーションでは、さまざまな種類の 2D 機能と 3D 機能の間の有効性が包括的に評価されていません。
この調査は、そのような総合的な評価を達成することを目的としています。
この目的のために、188 人の進行期卵巣がん患者から CT 画像を遡及的に収集しました。
各患者に発生したすべての転移性腫瘍がセグメント化され、6 つのフィルターのセットによって処理されました。
次に、特徴の 3 つのカテゴリ、つまり、幾何学的特徴、密度特徴、テクスチャ特徴が、フィルター処理された結果と元のセグメント化された腫瘍の両方から計算され、3D 腫瘍と 2D 腫瘍のそれぞれ合計 1595 と 1403 の特徴が生成されました。
従来のシングル スライス 2D およびフル ボリューム 3D 腫瘍機能に加えて、不完全な 3D 腫瘍機能も計算しました。これは、1 つの個々の CT スライスを順次追加し、対応する機能を計算することによって達成されました。
サポート ベクター マシン (SVM) ベースの予測モデルが開発され、機能セットごとに最適化されました。
5 倍交差検証を使用して、個々のモデルのパフォーマンスを評価しました。
結果は、2D 機能ベースのモデルが 0.84+-0.02 の AUC (ROC 曲線下の領域 [受信者の動作特性]) を達成したことを示しています。
さらにスライスを追加すると、AUC は最初に増加して最大値に達し、その後徐々に減少して 0.86+-0.02 になりました。
隣接する 2 つのスライスを追加すると、最大 AUC が得られ、値は 0.91+-0.01 でした。
この最初の結果は、将来的に機械学習ベースの意思決定支援ツールを最適化するための有意義な情報を提供します。

要約(オリジナル)

2D and 3D tumor features are widely used in a variety of medical image analysis tasks. However, for chemotherapy response prediction, the effectiveness between different kinds of 2D and 3D features are not comprehensively assessed, especially in ovarian cancer-related applications. This investigation aims to accomplish such a comprehensive evaluation. For this purpose, CT images were collected retrospectively from 188 advanced-stage ovarian cancer patients. All the metastatic tumors that occurred in each patient were segmented and then processed by a set of six filters. Next, three categories of features, namely geometric, density, and texture features, were calculated from both the filtered results and the original segmented tumors, generating a total of 1595 and 1403 features for the 3D and 2D tumors, respectively. In addition to the conventional single-slice 2D and full-volume 3D tumor features, we also computed the incomplete-3D tumor features, which were achieved by sequentially adding one individual CT slice and calculating the corresponding features. Support vector machine (SVM) based prediction models were developed and optimized for each feature set. 5-fold cross-validation was used to assess the performance of each individual model. The results show that the 2D feature-based model achieved an AUC (area under the ROC curve [receiver operating characteristic]) of 0.84+-0.02. When adding more slices, the AUC first increased to reach the maximum and then gradually decreased to 0.86+-0.02. The maximum AUC was yielded when adding two adjacent slices, with a value of 0.91+-0.01. This initial result provides meaningful information for optimizing machine learning-based decision-making support tools in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google