[論文レビュー] Anatomy-Aware Siamese Network: Exploiting Semantic Asymmetry for Accurate Pelvic Fracture Detection in X-ray Images

Haomin Chen, Yirui Wang+9 more|arXiv (Cornell University)|Jul 3, 2020

Medical Imaging and Analysis参考文献 34被引用数 6

ひとこと要約

本稿では、X線画像における前部仙骨骨折の検出を向上させるために、意味論的解剖学的対称性を活用するアノトミー・エーアウェア・シamesネットワーク（AASN）を提案する。特徴レベルの空間変換と対照的学習を用いて、骨折関連の非対称性を強調し、非病的非対称性を抑制することで、2,359例の固有の仙骨X線画像においてAUC 0.9771を達成し、最先端手法の中でも最高水準を記録した。

ABSTRACT

Visual cues of enforcing bilaterally symmetric anatomies as normal findings are widely used in clinical practice to disambiguate subtle abnormalities from medical images. So far, inadequate research attention has been received on effectively emulating this practice in CAD methods. In this work, we exploit semantic anatomical symmetry or asymmetry analysis in a complex CAD scenario, i.e., anterior pelvic fracture detection in trauma PXRs, where semantically pathological (refer to as fracture) and non-pathological (e.g., pose) asymmetries both occur. Visually subtle yet pathologically critical fracture sites can be missed even by experienced clinicians, when limited diagnosis time is permitted in emergency care. We propose a novel fracture detection framework that builds upon a Siamese network enhanced with a spatial transformer layer to holistically analyze symmetric image features. Image features are spatially formatted to encode bilaterally symmetric anatomies. A new contrastive feature learning component in our Siamese network is designed to optimize the deep image features being more salient corresponding to the underlying semantic asymmetries (caused by pelvic fracture occurrences). Our proposed method have been extensively evaluated on 2,359 PXRs from unique patients (the largest study to-date), and report an area under ROC curve score of 0.9771. This is the highest among state-of-the-art fracture detection methods, with improved clinical indications.

研究の動機と目的

• 熟練した臨床医ですら困難である、外傷性仙骨X線画像における微細で非亀裂性の前部仙骨骨折を検出する課題に対処すること。
• コンピュータ支援診断（CAD）における臨床的実践である、左右対称性を診断的手がかりとして用いるのを模倣すること。
• 投影レントゲン画像における病的非対称性（骨折）と非病的非対称性（例：姿勢、撮影角度）を区別すること。
• 骨折検出性能の向上を図るため、意味論的解剖学的対称性を明示的にモデル化する深層学習フレームワークを開発すること。

提案手法

• 左・右の仙骨領域をペアで処理するため、DenseNet-121バックボーンを用いたシアンズネットワークを採用する。
• 解剖学的根拠に基づいた空間変形を実現するため、グラフベースのランドマーク検出法を用いる。
• 特徴符号化後に特徴レベルで空間変換層を適用することで、画像の変形アーチファクトを回避する。
• 対照的学習コンponentを導入し、病的非対称性（骨折）に感受性が高く、非病的非対称性に感受性が低い深層特徴を最適化する。
• 特徴の識別性を向上させるために、対照的学習損失に非線形プロジェクションヘッドを導入する。
• 対称的特徴統合と統合学習を適用し、仙骨の両側を用いた表現学習を向上させる。

実験結果

リサーチクエスチョン

• RQ1 意味論的解剖学的対称性を効果的に活用することで、X線画像における微細な仙骨骨折の検出を向上させることができるか？
• RQ2 深層学習モデルは、仙骨X線画像における病的非対称性（骨折）と非病的非対称性（例：患者の姿勢）をどのように区別できるか？
• RQ3 対称性に基づく骨折検出において、特徴レベルの空間整合化は画像レベルの整合化を上回るか？
• RQ4 対照的学習は、骨折関連の非対称性に特徴が感受性を高めるか？
• RQ5 対称的特徴統合と対照的学習を備えたシアンズネットワークは、既存の最先端手法を上回る仙骨骨折検出性能を達成できるか？

主な発見

• 提案されたAASNは、2,359例の固有の仙骨X線画像において、受信者操作特性曲線下の面積（AUC）が0.9771に達し、これまで報告された中で最高水準を記録した。
• アブレーションスタディの結果、対称的特徴統合により、ベースラインと比較してAUCが0.41%向上し、1%の偽陽性における再現率が2.43%向上した。
• 特徴レベルの空間整合化（FA）は、画像レベルの整合化と比較して、1%の偽陽性における再現率を3.46%向上させた。
• 対称的特徴統合と整合化を組み合わせた対照的学習により、1%の偽陽性における再現率が3.05%向上した。
• 対照的学習における非線形プロジェクションヘッドを削除すると、完全なAASNと比較して1%の偽陽性における再現率が0.61%低下した。これは、その重要性を示している。
• 完全なAASNモデルは、1%の偽陽性における再現率が77.87%、10%の偽陽性における再現率が92.71%を達成し、強力な臨床的実用性を示した。