Computerized classification method for molecular subtypes of gliomas in brain MRI images using deep learning with a limited number of training data

Research Project

Project/Area Number	23K11909
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 90130:Medical systems-related
Research Institution	Ritsumeikan University
Principal Investigator	檜作彰良立命館大学, 理工学部, 講師 (20822844)
Co-Investigator(Kenkyū-buntansha)	正宗賢東京女子医科大学, 医学部, 教授 (00280933) 楠田佳緒東京医療保健大学, 医療保健学部, 助教 (00780131) 中山良平立命館大学, 理工学部, 教授 (20402688)
Project Period (FY)	2023-04-01 – 2026-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000) Fiscal Year 2025: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000) Fiscal Year 2024: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000) Fiscal Year 2023: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Keywords	Low Grade Glioma / 脳MRI画像 / Channel Attention / Spatial Attention / Deep Metric Learning / 分子サブタイプ分類 / 神経膠腫 / 損失関数 / Deep learning / Attention Mechanism
Outline of Research at the Start	近年，畳み込みニューラルネットワーク（Convolutional Neural Networks）を用いた，脳腫瘍の遺伝子変異推定の研究が活発に行われている．従来研究の多くは少数の脳MRI（Magnetic Resonance Imaging）画像でCNNを学習させているため，CNNが過学習（学習データに過剰に適応した結果，テストデータに対する正答率が低下する現象）に陥っている可能性がある．過学習したCNNは，本質的でない領域（腫瘍以外）に着目して遺伝子の推定を行う場合がある．そこで本研究では，少数サンプルで学習可能なCNNを新たに構築し，それを脳腫瘍の遺伝子変異推定に応用する．
Outline of Annual Research Achievements	本年度は，Spatial Attention Mechanismに加えChannel Attention Mechanismを追加したMulti-scale 3D Convolutional Neural Networks（MS-3DCNN）により，脳MRI画像（Magnetic Resonance Imaging）画像における低悪性度グリオーマ（LGG：Low Grade Glioma）の分子サブタイプを分類する手法を開発した．実験試料として，東京女子医科大学より提供された217患者のT1強調画像，T2強調画像，FLAIR画像（Astrocytoma IDH-mutant：58，Astrocytoma IDH-wildtype：49， Oligodendroglioma：110）を用いた．本研究では，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対し，Channel Attention Mechanismを導入した新たなネットワークを構築した．Spatial Attention Mechanismは特定領域に重み付けしたAttention Mapを生成するのに対し，Channel Attention Mechanismは特徴マップのチャネル方向のAttentionであり，分類に寄与するチャネルに重み付けする．提案ネットワークはFeature Extractor，Attention Branch，Perception Branch で構成される．Feature Extractor は，脳腫瘍を含む関心領域から異なる解像度の特徴マップを抽出した．次のAttention Branch では，腫瘍領域と分類に寄与するチャネルに重みを与えたAttention Map を生成した．そして，生成したAttention Map に基づき特徴マップに重み付けした．最後に，重み付けした特徴マップを用いたPerception Branch により，LGG を3 つの分子サブタイプに分類した．提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高く，提案手法の有用性が示唆された．
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 本年度は，我々の従来手法であるSpatial Attention Mechanismを用いたMS-3DCNNに対して，Channel Attention Mechanismを導入したネットワークを構築した．提案手法を実験試料に適用した結果，提案手法の平均正答率は69.5%（Astrocytoma IDH-mutant：68.9 %，Astrocytoma IDH-wildtype：81.6%， Oligodendroglioma：64.5%）であり，Spatial Attention Mechanismのみを用いた場合の66.4%（51.7%，61.2%，76.4%）よりも高い値が得られた．現状，Perception branchに深層距離学習の一つであるArcFaceを用いている．今後，ArcFaceを改良したSub-center ArcFace，ElasticFaceを用いることで，更なる正答率の向上を目指す．また，少数サンプルで学習可能な手法について，引き続き検討を行う．
Strategy for Future Research Activity	提案ネットワークのPerception branchにおいて，深層距離学習の一つであるArcFaceを用いている．深層距離学習では，特徴空間において，同一クラスのサンプル間の距離は小さく，異なるクラスのデータ間の距離は離れるようにネットワークを学習させる．ArcFaceでは，入力データの特徴ベクトルと，入力データに対応するクラスの代表ベクトルとのなす角にAngular Margin Penaltyを追加することで，それら2つのベクトル間の距離が更に近づくようにネットワークを学習させる．この手法の問題点として，各クラスに代表ベクトルを１つしか定義しないため，外れ値の影響をうけやすいことが考えられる．そこで，各クラスに複数の代表ベクトルを定義するSub-center ArcFaceをネットワークに導入し，低悪性度グリオーマの分子サブタイプ分類の正答率を評価する．