以生成對抗網路生成電腦斷層掃描三維肺結節樣本：基於Gabor函數之紋理相似性量度與模型選擇指標

Abstract

根據衛福部於民國108年之統計，癌症已連續38年排行台灣國人年度十大死因之首，其中又以肺癌為排行第一之癌症死因。由於近年來電腦斷層掃描技術日益進步，以電腦斷層掃描進行肺癌檢測成為臨床重要之診斷工具，有助於早期發現肺癌病灶並給予治療，進而有效提升肺癌患者之存活率。在肺癌診斷過程中關鍵在於偵測之肺結節良惡性判斷，肺結節之良惡性以將影響臨床診斷及治療手段，因此如何準確判定肺結節之良惡性為主要議題。 臨床上透過放射科醫師針對肺結節進行偵測、標註與良惡性判斷以擬定治療方針，然而根據不同經驗之放射科醫師主觀意識以及臨床上大量判斷之需求，導致結節診斷上面臨到一定的挑戰性。透過電腦輔助診斷（CAD）之判斷可提供具參考之客觀意見輔助醫師於臨床做出診斷及治療決策。目前CAD之建立可分為基於機器學習以及深度學習，主要以分類之特徵來源作為區分。深度學習透過在訓練過程中從訓練樣本中提取特徵並選取分類之依據，有效避免機器學習中有可能遇到之影像前處理與特徵提取中存在之人為誤差。然而深度學習在訓練過程中需要大量之訓練樣本以建立分類模型，在現有公開結節樣本數據庫所具有之樣本數量仍相對不足。 近年來，生成對抗網路模型（GAN）影像生成之能力受到許多研究團隊之重視，GAN建立兩組深度學習網路Generator以及Discriminator在訓練中進行二人非合作零和賽局（two-player non-cooperative zero-sum game）並目標達到納許平衡（Nash equilibrium），透過取得真實樣本之資料分布並在該分布內生成新的樣本以達到生成更佳之影像結果。然而其大多數應用於二維自然影像之生成，於三維醫學影像之生成面臨到不少挑戰，例如肺結節之紋理特徵對於結節良惡性分類有重要的影響力，透過GAN生成之肺結節樣本必須在特徵上有足夠相似之特徵以模擬真實結節樣本。 在生成對抗網路（GAN）技術之發展以及結節樣本數量對於深度學習相對不足之困境下，本研究開發一基於Gabor filter提取結節影像於空間頻域的紋理特徵並作為loss function計算其紋理相似性之Gabor-loss GAN模型，透過以下兩特點：（1）無限制結節樣本邊緣形狀、（2）考慮其紋理資訊之特徵以保持樣本真實性，進行擬真肺結節樣本之生成以克服肺結節樣本數量不足之困境。 在Gabor-loss GAN中，本研究首先將結節標註區域進行分割以保留結節形狀之多樣性；再者將結節標註區域轉置於無結節之肺實質背景中增加結節與背景之多樣性；第三透過使用Gabor filter對結節於空間頻域之紋理特徵進行提取並用於loss function之計算，在生成結節樣本上要求其於空間頻域紋理特徵具有模擬真實結節樣本之能力並同時保有其生成特徵之多樣性。在Gabor-loss GAN中根據訓練樣本之不同型態，可生成屬於良性結節、惡性結節或是具有GGO型態之結節樣本。此外，將基於Gabor-loss以及validation data計算之validation loss作為最佳生成模型之選擇指標。生成之結節樣本用於良惡性分類網路之數據增量，在加入了GAN模型生成之結節樣本作為訓練樣本進行訓練，其分類AUC皆可達0.93以上，其中又以使用了最大數量之數據增量達到最高之AUC為0.950 ± 0.019，其在Accuracy、Sensitivity以及Specificity也分別達到0.883 ± 0.016、0.90 ± 0、0.867 ± 0.034，在相同分類網路架構中成功透過GAN模型生成之結節樣本達到數據增量之目標。 為克服肺結節樣本數量不足之困境，本研究提出Gabor-loss GAN演算法藉由Gabor filter提取結節於空間頻域之紋理特徵進行loss function計算其紋理相似性並根據validation data計算之Gabor-loss作為生成模型選擇指標。透過Gabor-loss GAN生成之結節樣本成功增加結節與肺實質背景之多樣性以及在模擬真實結節具有之紋理特徵下增加結節紋理特徵之多樣性，並應用於結節良惡性分類之數據增量。