2020 Fiscal Year Research-status Report

人工知能を用いたレディオミクス特徴に基づいた乳がん患者の予後予測

Research Project

Project/Area Number	19K20719
Research Institution	Ritsumeikan University
Principal Investigator	檜作彰良立命館大学, 理工学部, 助教 (20822844)
Project Period (FY)	2019-04-01 – 2022-03-31
Keywords	トリプルネガティブ乳がん / レディオミクス / 複数シーケンス画像 / LASSO / Support vector machine
Outline of Annual Research Achievements	前年度までは，T1強調画像上の病変より得られた特徴量を用いた識別器により，トリプルネガティブ乳がん（TNBC：Triple-Negative Breast Cancer）の分類を行なった．しかし，臨床現場では，医師はT1強調画像だけでなく，MRIの他のシーケンス画像も考慮しながら，病変の診断を実施している．そこで，複数シーケンスで撮影された乳房MRI画像上の病変より得られたRadiomics特徴量を用いたSVM（Support Vector Machine）により，トリプルネガティブ乳がん（TNBC：Triple-Negative Breast Cancer）の分類精度の向上を行なった．実験試料は，The Cancer Imaging ArchiveのISPY1データセットに含まれる66症例のT1強調画像，T2強調画像，Dynamic Contrast Enhanced MRI画像を用いた．画像のサイズは256×256画素，ピクセルサイズは0.32×0.32 mm2である．提案手法では，まず各画像より腫瘍の形状，大きさ，テクスチャ（First order statistics，GLCM，GLRLM，GLSZM，GLDM，NGTDM）に関する510個のRadiomics特徴量を抽出した．次に，それらの特徴量から，LASSO（Least Absolute Shrinkage and Selection Operator）により，TNBCの予測に有用な特徴量を選択した．最後に，選択された特徴量を用いたSVMにより，TNBCを推定した．LASSOによる特徴量選択の結果，7個のRadiomics特徴量が決定された．7個の特徴量を用いたSVMにより，TNBCを推定した結果，正答率84.8%（56/66），感度81.3%（13/16），特異度86.0%（43/50）が得られた．
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，データベースに，T1強調画像に加え，T2強調画像，Dynamic Contrast Enhanced MRI画像を追加した．提案手法では，これらの複数シーケンス画像上の病変より得られた特徴量を用いたSVMにより，トリプルネガティブ乳がんの分類を行なった．提案手法を評価用のデータセットに適用した結果，正答率84.8%（56/66），感度81.3%（13/16），特異度86.0%（43/50）が得られた．今後，CNN特徴量などを追加し，更なる分類精度の向上を目指す．
Strategy for Future Research Activity	MRIの他のシーケンス画像も考慮することにより，提案手法の分類精度が大幅に向上した．今後，更なる分類精度の向上のために，形状，大きさ，テクスチャに加え，CNN（Convolutional Neural Network）特徴量を追加する．CNNによる画像特徴では，”ImageNet”と呼ばれる大規模な自然画像で事前学習したCNN のネットワークモデルである，”VGG19”，”GoogleNet”，”ResNet18”などを特徴量抽出器として使用し，MRI画像より画像特徴を抽出する.これらの事前に学習したネットワークより抽出した特徴量は，画像の分類に有用であることが報告されている．今後，これらの特徴量を組み合わせ，更なる精度向上を行う．また，必要に応じて，MRI画像より病変の自動抽出法も検討する．2020年度は特徴量抽出法の検討を優先して行なったため，病変の自動抽出は行わなかった．ここでは，畳み込みニューラルネットワークの一つであるU-Netをベースに，病変を自動抽出する最適なネットワーク構造を明らかにする.
Causes of Carryover	新型コロナウイルスの影響で参加予定の学会や，物品の購入を見送ったため．本年度に，予定通り使用する．