Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans

要約

肺結節の管理においては，CT検査における結節の直径の変化から結節の進展を予測し，結節の成長傾向の予測結果に応じて経過観察勧告を行うことが望まれる．肺結節の成長傾向予測の性能を向上させるためには、同一結節の変化を連続したCTスキャンで比較することが重要である。このような動機から、我々はNational Lung Screening Trial（NLST）データセットから2回以上連続したCTスキャンを行った4,666人をスクリーニングし、NLSTtという時間的データセットを編成した。具体的には、まず、登録されたCTスキャンをもとに、同じ結節を覆う関心領域（ROI）を検出し、ペアリングする。その後、結節のテクスチャカテゴリと直径の大きさをモデルにより予測する。最後に、結節の直径の変化に応じて、結節の進化クラスをアノテーションする。構築されたNLSTtデータセットに基づき、連続したCTスキャンから検出された3次元ROIの識別的特徴を同時に利用するためのシャムエンコーダを提案する。次に、連続した3次元ROIにおける同一結節の間隔変化を利用し、結節領域と現在の3次元ROIの空間依存性を捉える空間-時間混合器（STM）を新規に設計する。臨床診断のルーチンに従って、成長する結節により注意を払うために、階層的損失を採用する。我々の組織化されたデータセットを用いた広範な実験により、提案手法の優位性が実証された。また、社内データセットに対する実験も行い、熟練した臨床医との比較により、本手法の臨床的有用性を評価する。

要約(オリジナル)

In the management of lung nodules, we are desirable to predict nodule evolution in terms of its diameter variation on Computed Tomography (CT) scans and then provide a follow-up recommendation according to the predicted result of the growing trend of the nodule. In order to improve the performance of growth trend prediction for lung nodules, it is vital to compare the changes of the same nodule in consecutive CT scans. Motivated by this, we screened out 4,666 subjects with more than two consecutive CT scans from the National Lung Screening Trial (NLST) dataset to organize a temporal dataset called NLSTt. In specific, we first detect and pair regions of interest (ROIs) covering the same nodule based on registered CT scans. After that, we predict the texture category and diameter size of the nodules through models. Last, we annotate the evolution class of each nodule according to its changes in diameter. Based on the built NLSTt dataset, we propose a siamese encoder to simultaneously exploit the discriminative features of 3D ROIs detected from consecutive CT scans. Then we novelly design a spatial-temporal mixer (STM) to leverage the interval changes of the same nodule in sequential 3D ROIs and capture spatial dependencies of nodule regions and the current 3D ROI. According to the clinical diagnosis routine, we employ hierarchical loss to pay more attention to growing nodules. The extensive experiments on our organized dataset demonstrate the advantage of our proposed method. We also conduct experiments on an in-house dataset to evaluate the clinical utility of our method by comparing it against skilled clinicians.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL