Spatio-Temporal Hybrid Fusion of CAE and SWIn Transformers for Lung Cancer Malignancy Prediction

要約

この論文では、専門家の関与を最小限に抑えて肺腺癌 (LUAC) の悪性度を予測するために、薄くない胸部 CT (コンピュータ断層撮影) スライスから抽出された時間的および空間的特徴を同時に統合する、新しいハイブリッド発見 Radiomics フレームワークを提案しています。
肺がんは、世界中のがんによる死亡の主な原因であり、さまざまな組織型がありますが、その中で LUAC が最近最も普及しています。
LUAC は、前侵襲性、低侵襲性、および侵襲性腺癌に分類されます。
肺結節の悪性腫瘍に関するタイムリーで正確な知識は、適切な治療計画につながり、不必要な手術や遅れる手術のリスクを減らします。
現在、胸部 CT スキャンは、LUAC の侵襲性を評価および予測するための主要な画像診断法です。
ただし、CT 画像に基づく放射線科医の分析は主観的であり、外科的切除後に提供されるグラウンド トゥルースの病理学的レビューと比較して精度が低いという欠点があります。
CAET-SWin と呼ばれる提案されたハイブリッド フレームワークは、2 つの並列パスで構成されます。
と;
(ii) Shifted Window (SWin) Transformer パス。ボリューム CT スキャンから結節に関連する空間的特徴を抽出する階層型ビジョン トランスフォーマーです。
抽出された時間 (CAET パスから) および空間 (Swin パスから) は、融合パスを介して融合され、LUAC を分類します。
病理学的に証明された 114 個のサブソリッド結節 (SSN) の社内データセットに関する実験結果は、CAET-SWin が侵襲性予測タスクの信頼性を大幅に向上させ、82.65% の精度、83.66% の感度、および 81.66 の特異性を達成することを示しています。
% 10 分割交差検証を使用。

要約(オリジナル)

The paper proposes a novel hybrid discovery Radiomics framework that simultaneously integrates temporal and spatial features extracted from non-thin chest Computed Tomography (CT) slices to predict Lung Adenocarcinoma (LUAC) malignancy with minimum expert involvement. Lung cancer is the leading cause of mortality from cancer worldwide and has various histologic types, among which LUAC has recently been the most prevalent. LUACs are classified as pre-invasive, minimally invasive, and invasive adenocarcinomas. Timely and accurate knowledge of the lung nodules malignancy leads to a proper treatment plan and reduces the risk of unnecessary or late surgeries. Currently, chest CT scan is the primary imaging modality to assess and predict the invasiveness of LUACs. However, the radiologists’ analysis based on CT images is subjective and suffers from a low accuracy compared to the ground truth pathological reviews provided after surgical resections. The proposed hybrid framework, referred to as the CAET-SWin, consists of two parallel paths: (i) The Convolutional Auto-Encoder (CAE) Transformer path that extracts and captures informative features related to inter-slice relations via a modified Transformer architecture, and; (ii) The Shifted Window (SWin) Transformer path, which is a hierarchical vision transformer that extracts nodules’ related spatial features from a volumetric CT scan. Extracted temporal (from the CAET-path) and spatial (from the Swin path) are then fused through a fusion path to classify LUACs. Experimental results on our in-house dataset of 114 pathologically proven Sub-Solid Nodules (SSNs) demonstrate that the CAET-SWin significantly improves reliability of the invasiveness prediction task while achieving an accuracy of 82.65%, sensitivity of 83.66%, and specificity of 81.66% using 10-fold cross-validation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google