Nasrullah et al., 2019, Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies

# 세줄요약 #

1. 높은 사망률을 가지는 폐암을 조기 진단하기 위하여 폐 CT 영상에서 딥러닝을 이용한 기존의 많은 폐결절(Lung Nodule) 진단 알고리즘이 연구되어 왔으나, 거짓 양성(False Positive)를 구분해내는 것이 어려워 이 논문에서는 환자들의 진단 정보(Clinical Information)를 딥러닝 학습에 함께 사용하였다. 
2. 따라서 폐 결절 진단 알고리즘은 여러 단계로 구성되며, 폐 CT 영상을 이용한 영상 딥러닝에서는 CMixNet(Customized mixed link Network)을 기반으로 faster R-CNN을 이용한 결절 포착(Nodule Detection) 단계와 GBM(Gradient Boosting Machine)을 이용한 결절 분류(Nodule Classification) 단계가 있고, 마지막으로 환자 가족력, 흡연갑년, 나이 등의 정보와 Clinical Biomarker들을 함께 학습시켜 거짓 양성의 수를 줄인다.
3. 이 논문에서 사용한 학습 데이터는 LIDC-IDRI 폐 CT 오픈 데이터셋과 충칭 대학 병원의 진단 정보를 사용하였으며, 그 결과 94%의 민감도와 91%의 특이도를 달성하였다. 

 

# 상세리뷰 #

• Proposed System
  1. Firstly, the lung CT image was subjected to 3D Faster R-CNN with CMixNet and a U-Net-like encoder-decoder for the presence of nodules.
  2. The detected nodules were further anlayzed through 3D CMixNet with GBM to classify the nodule as benign or malignant.
  3. Lastly, the deep learning-based nodule classification results were further evaluated with multiple factors, such as patient family history, age, smoking history, clinical biomarkers, size, and location of the detected nodule.

 

• Deep Learning Model(CNN) Architecture

Nodule Detection Model

Nodule Classification Model

• Experimental Results

Nodule Detection Result: FROC(free response receiver operating characteristic) curve

Nodule classification result

 

* Refence: Nasrullah, N.; Sang, J.; Alam, M.S.; Mateen, M.; Cai, B.; Hu, H. Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies. Sensors 2019, 19, 3722.