[論文レビュー] A Weakly Supervised Adaptive DenseNet for Classifying Thoracic Diseases and Identifying Abnormalities

Bo Zhou, Yuemeng Li+1 more|arXiv (Cornell University)|Jul 3, 2018

COVID-19 diagnosis using AI参考文献 20被引用数 25

ひとこと要約

本稿では、画像レベルのラベルのみを用いて、14種類の胸部疾患を分類し、胸部レントゲン画像における病変の局所化を実行する弱教師付きのアダプティブDenseNetを提案する。2段階のプーリング機構とアダプティブDenseNetフロントエンドを統合することで、分類（14疾患中10疾患で先行手法を上回る）および局所化（mIoU 0.7）の両面で最先端の性能を達成した。ラベルの曖昧さにもかかわらず、臨床的アノテーションとの整合性が向上した。

ABSTRACT

We present a weakly supervised deep learning model for classifying thoracic diseases and identifying abnormalities in chest radiography. In this work, instead of learning from medical imaging data with region-level annotations, our model was merely trained on imaging data with image-level labels to classify diseases, and is able to identify abnormal image regions simultaneously. Our model consists of a customized pooling structure and an adaptive DenseNet front-end, which can effectively recognize possible disease features for classification and localization tasks. Our method has been validated on the publicly available ChestX-ray14 dataset. Experimental results have demonstrated that our classification and localization prediction performance achieved significant improvement over the previous models on the ChestX-ray14 dataset. In summary, our network can produce accurate disease classification and localization, which can potentially support clinical decisions.

研究の動機と目的

• トレーニング中に領域レベルのアノテーションを必要としない深層学習モデルを構築し、胸部疾患の正確な分類と病変の局所化を実現すること。
• 大規模な医療画像データセットにおいて、詳細な放射線科的アノテーションの不足という課題に対処すること。
• 画像レベルのラベルのみから空間的に特徴を判別できる特徴を学習することで、局所化の精度を向上させること。
• 大規模なChestX-ray14データセット（画像レベルラベルと少数の真値バウンディングボックスを含む）上でモデルの性能を評価すること。
• アノテーションの曖昧さが局所化性能に与える影響を調査し、拡張された放射線科医確認済みアノテーションを用いてモデルの頑健性を検証すること。

提案手法

• モデルはカスタマイズされた2段階プーリング構造を採用：まず疾患固有の特徴を特定するクラス別プーリング、次に病変領域を局所化する空間的プーリング。
• 密なスキップ接続を備えた階層的特徴を抽出するアダプティブDenseNetフロントエンドを用い、特徴の再利用と勾配の流れを向上させる。
• バウンディングボックスやセグメンテーションアノテーションを必要とせず、画像レベルラベルのみでエンドツーエンドに学習する。
• クラス別グローバル平均プーリング層を、空間情報を保持し局所化の精度を向上させるより判別力のあるプーリング戦略に置き換える。
• 最終的な局所化出力は、クラスプーリング特徴マップのしきい値処理により生成され、疾患関連領域を強調するバウンディングボックスが得られる。
• 事前学習済みImageNetモデルからの転移学習を用いて、ChestX-ray14データセットでモデルをファインチューニングする。

実験結果

リサーチクエスチョン

• RQ1 画像レベルのラベルのみを用いて、高精度な胸部疾患分類と病変局所化を実現できるか？
• RQ2 提案された2段階プーリング機構は、弱教師付き設定における標準的なグローバルプーリングと比較して、どのように局所化性能を向上させるか？
• RQ3 ChestX-ray14データセットにおけるアノテーションの曖昧さが局所化性能に与える影響はどの程度か？また、このような条件下でも、本モデルはベースライン手法よりも一般化性能に優れるか？
• RQ4 アダプティブDenseNetアーキテクチャは、多様な胸部疾患における小規模および大規模な病変の両方の特徴表現を向上させるか？
• RQ5 特に複数または両側性の病変がある場合に、モデルの局所化出力は真値バウンディングボックスとどのように比較されるか？

主な発見

• 本モデルは、ChestX-ray14データセットの14疾患中10疾患で最先端の分類性能を達成し、特に肺炎や肺気腫の分類で顕著な向上を示した。
• 局所化の平均交差率（IoU）スコアは0.7に達し、8疾患中5疾患でNIHベースラインを顕著に上回った。
• 可視化解析では、予測されたバウンディングボックスと臨床的アノテーションとの間に強い整合性が確認された。特に両側性や複数の病変がある症例では、モデルがすべての病変を捉えていたが、真値アノテーションは一部を漏れがちであった。
• 80例の曖昧ケースについて認定放射線医によるアノテーションを拡張した結果、効果的、結節、不張、浸潤、腫瘍、肺炎などのクラスで、モデルの局所化IoUが顕著に向上した。
• 平均プーリングの削除により、空間分解能が保持され、特徴表現が向上し、結果として局所化精度が向上した。
• 本モデルはラベルの曖昧さに対して頑健であり、元のデータセットのアノテーションよりも包括的かつ臨床的に関連性の高い局所化出力を生成した。