[論文レビュー] A New Window Loss Function for Bone Fracture Detection and Localization in X-ray Images with Point-based Annotation

Xinyu Zhang, Yirui Wang+6 more|arXiv (Cornell University)|Dec 7, 2020

COVID-19 diagnosis using AI参考文献 32被引用数 7

ひとこと要約

本稿では、骨端部X線画像における骨折検出および局在化のための新しいウィンドウ損失関数を提案する。点アノテーションを用いた手法であり、骨折境界の曖昧さをよりよく扱える。点アノテーションを下限・上限の境界と不確実領域を含む画素単位の監視に変換することで、4,410枚の骨盤X線画像においてSOTAの性能を達成し、AUROCは0.983、FROCスコアは89.6%を記録した。

ABSTRACT

Object detection methods are widely adopted for computer-aided diagnosis using medical images. Anomalous findings are usually treated as objects that are described by bounding boxes. Yet, many pathological findings, e.g., bone fractures, cannot be clearly defined by bounding boxes, owing to considerable instance, shape and boundary ambiguities. This makes bounding box annotations, and their associated losses, highly ill-suited. In this work, we propose a new bone fracture detection method for X-ray images, based on a labor effective and flexible annotation scheme suitable for abnormal findings with no clear object-level spatial extents or boundaries. Our method employs a simple, intuitive, and informative point-based annotation protocol to mark localized pathology information. To address the uncertainty in the fracture scales annotated via point(s), we convert the annotations into pixel-wise supervision that uses lower and upper bounds with positive, negative, and uncertain regions. A novel Window Loss is subsequently proposed to only penalize the predictions outside of the uncertain regions. Our method has been extensively evaluated on 4410 pelvic X-ray images of unique patients. Experiments demonstrate that our method outperforms previous state-of-the-art image classification and object detection baselines by healthy margins, with an AUROC of 0.983 and FROC score of 89.6%.

研究の動機と目的

• 骨の骨折におけるバウンディングボックスアノテーションの限界に起因する、複雑な形状と明確でない境界による曖昧さを解消すること。
• 空間的範囲が曖昧な病変に適した、費用対効果に優れ柔軟性のあるアノテーション方式を開発すること。
• 点アノテーションに特化した新しい損失関数を用いて、分類および局在化性能の両方を向上させること。
• 下限および上限の境界と不確実領域を含む画素単位の監視が、モデルのロバスト性および正確性を向上させることの有効性を検証すること。

提案手法

• 局所的な骨折位置を指す点アノテーションを用い、正確なバウンディングボックスを必要としない。
• 点アノテーションを下限半径内（正例）、下限〜上限半径間（不確実領域）、上限半径外（負例）に分けて、画素単位の監視に変換する。
• 不確実領域外の予測のみをペナルティとする新しいウィンドウ損失を提案し、正常領域における誤検出を低減する。
• グローバル平均プーリングと完全畳み込みネットワークを用いたディープラーニングモデルを採用し、エンドツーエンド学習を実現する。
• 損失関数において、平均二乗誤差（MSE）とカルバック・ライブラー発散（KLD）を発散測度として用いる。
• 局所化性能の向上を図るため、特徴エンハスティングのための特徴ピラミッドネットワーク（FPN）を適用する。

実験結果

リサーチクエスチョン

• RQ1 バウンディングボックスが曖昧なX線画像における骨の骨折を、点アノテーションで効果的に表現できるか？
• RQ2 予測が不確実領域外にのみペナルティが課されるウィンドウ損失は、標準損失関数と比較してどのように局在化精度を向上させるか？
• RQ3 ウィンドウ損失の最適な設定（下限半径 rℓ、上限半径 ru、スムージングパラメータ τ）は何か？
• RQ4 境界領域を用いて不確実性をモデル化することで、骨折検出における一般化性能およびロバスト性が向上するか？

主な発見

• 提案手法は、4,410枚の骨盤X線画像において、AUROC 0.983、FROCスコア 89.6%を達成し、SOTAの画像分類およびオブジェクト検出ベースラインを上回った。
• アブレーションスタディの結果、デフォルト設定（rℓ=50, ru=200, τ=2）が分類と局在化性能のバランスを最良に保っていた。
• rℓを50から150に増加させると、FROCはMSEで7.9%、KLDで6.8%低下し、正常組織が含まれる正例領域の拡大が局在化性能を劣化させることを示した。
• τの値を高める（例：τ=10）と、局在化性能が著しく低下し、Recall@0.1はMSEで87.4%から69.6%に低下した。これは過剰にスムージングされた監視によるものである。
• τ=0（バイナリマスク）の退化ケースでは、AUROC 0.980、FROC 85.4%を達成し、単純化された監視でも標準手法を上回ることを示した。
• アブレーション設定のあらゆる状況で、AUROCは0.984～0.986を維持しており、パラメータの変動に対してもロバストであることが示された。