Guiding the classification of hepatocellular carcinoma on 3D CT-scans using deep and handcrafted radiological features

要約

肝細胞がんは、世界中で最も蔓延している原発性肝がんです (肝腫瘍の $\sim$80\%)。
HCC診断のゴールドスタンダードは肝生検です。
しかし、日常の臨床では、専門の放射線科医が、標準化されたプロトコルである LI-RADS に従って肝 CT スキャンを解釈することにより、視覚的な診断を提供します。LI-RADS は、関連するデシジョン ツリーを備えた 5 つの放射線学的基準を使用します。
この論文では、放射線科医の相互変動を軽減するために、CT画像から組織学的に証明されたHCCを予測する自動アプローチを提案します。
まず、標準的な深層学習手法では、困難なデータベースの CT スキャンから HCC を正確に予測できないことを示し、パフォーマンスを向上させるために LI-RADS システムにヒントを得た 2 段階のアプローチを提案します。
さまざまなアーキテクチャでトレーニングされた深層学習ベースラインに関して、AUC が 6 から 18 ポイントの改善を達成しました。
また、当社では手法の臨床検証も行っており、専門家ではない放射線科医を上回り、専門家の放射線科医と同等の結果を達成しています。

要約(オリジナル)

Hepatocellular carcinoma is the most spread primary liver cancer across the world ($\sim$80\% of the liver tumors). The gold standard for HCC diagnosis is liver biopsy. However, in the clinical routine, expert radiologists provide a visual diagnosis by interpreting hepatic CT-scans according to a standardized protocol, the LI-RADS, which uses five radiological criteria with an associated decision tree. In this paper, we propose an automatic approach to predict histology-proven HCC from CT images in order to reduce radiologists’ inter-variability. We first show that standard deep learning methods fail to accurately predict HCC from CT-scans on a challenging database, and propose a two-step approach inspired by the LI-RADS system to improve the performance. We achieve improvements from 6 to 18 points of AUC with respect to deep learning baselines trained with different architectures. We also provide clinical validation of our method, achieving results that outperform non-expert radiologists and are on par with expert ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google