[論文レビュー] A novel method for automatic localization of joint area on knee plain radiographs

Aleksei Tiulpin, Jérôme Thevenot+2 more|arXiv (Cornell University)|Jan 31, 2017

Osteoarthritis Treatment and Mechanisms参考文献 18被引用数 5

ひとこと要約

本論文は、解剖学的知識に基づく候補領域生成と、事前学習済みSVM分類器を用いた勾配の方向度数分布（HoG）を用いて、レントゲン画像における膝関節領域の自動局所化のための新規で計算効率の良い手法を提案する。本手法は、3つの多様なデータセットにおいて、それぞれ0.84、0.79、0.78の平均インターセクションオーバーユニオン（IoU）スコアを達成し、強力な汎用性と大規模な膝関節症（OA）診断への適性を示している。

ABSTRACT

Osteoarthritis (OA) is a common musculoskeletal condition typically diagnosed from radiographic assessment after clinical examination. However, a visual evaluation made by a practitioner suffers from subjectivity and is highly dependent on the experience. Computer-aided diagnostics (CAD) could improve the objectivity of knee radiographic examination. The first essential step of knee OA CAD is to automatically localize the joint area. However, according to the literature this task itself remains challenging. The aim of this study was to develop novel and computationally efficient method to tackle the issue. Here, three different datasets of knee radiographs were used (n = 473/93/77) to validate the overall performance of the method. Our pipeline consists of two parts: anatomically-based joint area proposal and their evaluation using Histogram of Oriented Gradients and the pre-trained Support Vector Machine classifier scores. The obtained results for the used datasets show the mean intersection over the union equal to: 0.84, 0.79 and 0.78. Using a high-end computer, the method allows to automatically annotate conventional knee radiographs within 14-16ms and high resolution ones within 170ms. Our results demonstrate that the developed method is suitable for large-scale analyses.

研究の動機と目的

• レントゲン画像からの膝関節症（OA）の診断における主観的で変動しやすい手動診断の課題に対処すること。
• コンピュータ支援診断（CAD）の重要な第一歩である、レントゲン画像における膝関節領域の自動局所化のための、計算的に効率的で頑健な手法を開発すること。
• 大規模な膝X線データセットの分析を可能にするために、多様なデータソースにおいても高い性能を維持し、膨大な再トレーニングを要しないようにすること。
• スライディングウィンドウ法やテンプレートベース手法に比べ、提案生成段階に解剖学的構造の知識を統合することで、それらを改善すること。
• OAI、MOST、Jyväskyläを含む複数のデータセットにわたる汎用性を実証し、一貫した性能を示すこと。

提案手法

• 本手法は、計算コストを削減するため、全範囲を網羅するスライディングウィンドウ探索を避けるために、解剖学的根拠に基づく関節領域の候補生成を用いる。
• 候補領域は、膝関節の期待される空間的配置に基づき、解剖学的事前知識を活用して領域選択をガイドする。
• 各候補領域に対して、その領域から抽出された勾配の方向度数分布（HoG）特徴量を用い、事前学習済みサポートベクターマシン（SVM）による分類を実施する。
• 最終的な検出結果は、SVMスコアが最も高い候補領域として選択され、関節領域の局所化における高い信頼性を確保する。
• パイプラインは高速化のため最適化されており、高スペックシステム上では標準解像度画像で14–16 ms、高解像度画像で170 msの処理が可能である。
• 並列処理に最適化されており、GPUアクセラレーションやスケーリング戦略を活用することで、さらにスループットを向上できる可能性を有する。

実験結果

リサーチクエスチョン

• RQ1 解剖学的構造に基づく新規な候補生成戦略は、従来のスライディングウィンドウ手法に比べ、レントゲン画像における膝関節局所化で優れた性能を示すか？
• RQ2 本手法は、画像品質や取得プロトコルが異なる多様な膝X線データセットに、どの程度汎用的に適応できるか？
• RQ3 本手法の計算効率はどの程度で、1日数10万枚から数百万枚のレントゲン画像を処理する大規模な解析にスケーリング可能か？
• RQ4 勾配ベースの検出に依存するベースライン手法と比較して、解剖学的事前知識を組み込むことで、局所化の正確性と頑健性はどの程度向上するか？
• RQ5 臨床的または研究的環境で高スループット要件を満たすために、本手法は効率的に並列化可能か、または最適化可能か？

主な発見

• 本手法は、Jyväskylä、MOST、OKOAデータセットにおいて、それぞれ0.84、0.79、0.78の平均インターセクションオーバーユニオン（IoU）スコアを達成し、ベースライン手法を顕著に上回った。
• 先行研究からのベースライン手法は、同じデータセットでそれぞれ0.10、0.33、0.26の平均IoUにとどまり、本手法の優位性を示した。
• 本手法は、IoU閾値0.5、0.7、0.8において80％を超えるリCALLを達成しており、多様な症例において関節領域を信頼性高く検出できることを示している。
• 本手法は非常に効率的であり、高スペックコンピュータ上では標準解像度の膝X線を14–16 ms、高解像度画像を170 msで処理できる。
• CPUベースのデータ並列実装により、1日あたり2500×2000サイズの画像を600万枚以上処理可能であり、大規模な研究が可能になる。
• 本手法は、位置決め用フレームなどのアーチファクトを含むデータセットに対しても良好に汎用性を示しており、これらはしばしばベースライン手法を誤検出させる要因となる。