[論文レビュー] Abnormality Detection and Localization in Chest X-Rays using Deep Convolutional Neural Networks

Mohammad Tariqul Islam, Abdul Aowal+2 more|arXiv (Cornell University)|May 27, 2017

COVID-19 diagnosis using AI参考文献 25被引用数 115

ひとこと要約

この論文は、Indiana、JSRT、Shenzhen データセットを用いて胸部X線の異常を検出する複数の深層畳み込みネットワークを評価し、アンサンブル DCN モデルがルールベース手法を上回ることを示し、心拡大と肺水腫の局所化に対するオクルージョンベースの局所化を導入します。

ABSTRACT

Chest X-Rays (CXRs) are widely used for diagnosing abnormalities in the heart and lung area. Automatically detecting these abnormalities with high accuracy could greatly enhance real world diagnosis processes. Lack of standard publicly available dataset and benchmark studies, however, makes it difficult to compare various detection methods. In order to overcome these difficulties, we have used a publicly available Indiana CXR, JSRT and Shenzhen dataset and studied the performance of known deep convolutional network (DCN) architectures on different abnormalities. We find that the same DCN architecture doesn't perform well across all abnormalities. Shallow features or earlier layers consistently provide higher detection accuracy compared to deep features. We have also found ensemble models to improve classification significantly compared to single model. Combining these insight, we report the highest accuracy on chest X-Ray abnormality detection on these datasets. We find that for cardiomegaly detection, the deep learning method improves the accuracy by a staggering 17 percentage point compared to rule based methods. We applied the techniques to the problem of tuberculosis detection on a different dataset and achieved the highest accuracy. Our localization experiments using these trained classifiers show that for spatially spread out abnormalities like cardiomegaly and pulmonary edema, the network can localize the abnormalities successfully most of the time. One remarkable result of the cardiomegaly localization is that the heart and its surrounding region is most responsible for cardiomegaly detection, in contrast to the rule based models where the ratio of heart and lung area is used as the measure. We believe that through deep learning based classification and localization, we will discover many more interesting features in medical image diagnosis that are not considered traditionally.

研究の動機と目的

• 胸部X線異常検出のためのさまざまな DCN アーキテクチャ（AlexNet、VGG、ResNet）の性能を公開データセットで評価する。
• 心拡大および他の異常に対して単一の DCN よりもアンサンブルモデルを使用する利点を評価する。
• オクルージョン感度に基づく局所化手法を開発・適用し、分類器の決定に寄与する領域を特定する。
• DCN ベースの心拡大検出をルールベースの特徴と比較し、改善を報告する。
• 別データセットへの一般化として結核検出を示す。

提案手法

• 胸部X線データセットで事前学習済み DCN（AlexNet、VGG-16/19、ResNet-50/101/152）を Adam 最適化子（lr=0.001）でファインチューニングする。
• 抽出した層（例：res4f、res4b22、res4b35、pool5）から特徴を抽出し、異常検出の二値分類器を訓練する。
• 複数の DCN によるモデル確率の単純な線形平均を用いたアンサンプレ predictions を探索する。
• オクルージョン感度を用いて 40x40 パッチで局所化確率マップを生成し、CXRs 上をオクルーダーをスライドさせて病理確率の低下を追跡する。
• バランスの取れた学習・テスト分割と複数のランダム分割で正確性、AUC、感度、特異度を評価する。
• Shenzhen TB データセット にアプローチを適用して転移を示す。

実験結果

リサーチクエスチョン

• RQ1 公的データセットを横断して、心拡大およびその他の胸部X線異常に対して異なる DCN アーキテクチャの性能はどうか。
• RQ2 DCN のアンサンブルは単一モデルと比べて検出精度と AUC を改善するか。
• RQ3 オクルージョンベースの局所化は心拡大や肺水腫などの異常を CXRs 上で信頼性高く局在できるか。
• RQ4 DCN ベースの心拡大検出はルールベース手法と比較してどうか、Shenzhen データセットで結核検出への一般化は可能か。

主な発見

Model	Accuracy (%)	AUC	Sensitivity (%)	Specificity (%)
AlexNet	86.00	0.92	86.00	86.00
VGG-16	86.00	0.87	96.00	76.00
VGG-19	92.00	0.94	92.00	92.00
ResNet-50	87.00	0.93	94.00	80.00
ResNet-101	92.00	0.92	88.00	96.00
ResNet-152	90.00	0.91	92.00	88.00

• アンサンブル DCN モデルは心拡大検出の精度（最大 93.0%）と AUC（最大 0.9728）で単一モデルを上回る。
• 単一モデルの性能は異常により異なる；心拡大では VGG-19 が高い精度（92%）と AUC（0.94）を示し、ResNet-152 はランダム分割全体で堅実な平均性能を提供。
• 浅い層の特徴は心拡大検出で深層特徴よりも優れることが多く、ResNet-152 の初期層（例：res4b35）の特徴がより良い精度を提供。
• dropout を落とすことは深いモデルで一般に性能向上につながるが、深いネットワークでは低下することもある。6 個の DCN のアンサンブルが心拡大で最良の総合性能（精度 93%、AUC 0.97）を提供。
• オクルージョンベースの局所化は心臓領域を心拡大検出の主要領域として、肺領域を肺水腫の主要領域として強調する。局所化結果は臨床的に期待される領域と一致するが、 edema の解剖学的制限を外れる結果もある。
• Shenzhen TB データセット ではアンサンブルモデルが最も高い精度（90.0%）と AUC（0.94）を達成。