[論文レビュー] Automated Cardiothoracic Ratio Calculation and Cardiomegaly Detection using Deep Learning Approach

Isarun Chamveha, Treethep Promwiset+3 more|arXiv (Cornell University)|Feb 18, 2020

Phonocardiography and Auscultation Techniques参考文献 20被引用数 25

ひとこと要約

本論文では、胸部レントゲン画像から心臓および肺領域をセグメンテーションするための、VGG16エンコーダを搭載したU-Netを用いた深層学習ベースの手法を提案し、心胸比（CTR）の自動計算および心臓肥大の検出を実現した。この手法は、放射線科医によるCTR測定の76.5％の受容率を達成し、手作業による作業負荷を顕著に低減するとともに、微細な心臓肥大症例においても信頼性の高い第二の意見を提供する。

ABSTRACT

We propose an algorithm for calculating the cardiothoracic ratio (CTR) from chest X-ray films. Our approach applies a deep learning model based on U-Net with VGG16 encoder to extract lung and heart masks from chest X-ray images and calculate CTR from the extents of obtained masks. Human radiologists evaluated our CTR measurements, and $76.5\%$ were accepted to be included in medical reports without any need for adjustment. This result translates to a large amount of time and labor saved for radiologists using our automated tools.

研究の動機と目的

• 放射線科医が胸部レントゲン画像の心胸比（CTR）を手作業で測定するために費やす時間と労力を削減すること。
• 画像セグメンテーションを用いた、正確なCTR計算を実現する自動化された深層学習ベースのシステムの開発。
• 特に人間の読影者が軽度または境界に近い症例を見逃す可能性がある状況においても、高い感度で心臓肥大を検出すること。
• データセットラベルに誤りが含まれる可能性を特定し、診断ミスを警告する信頼性の高いアルゴリズム的「第二の意見」を提供すること。

提案手法

• 前向き撮影の胸部レントゲン画像から心臓および肺領域のセマンティックセグメンテーションを実行するために、VGG16エンコーダを搭載したU-Netアーキテクチャを用いる。
• モデルは心臓および肺のマスクを予測し、そのマスクの拡張から中線から右/左心臓径（MRD、MLD）および胸部内径（ID）を計算する。
• CTRは式 CTR = (MRD + MLD) / ID を用いて計算され、マスクの境界からの測定値が使用される。
• この手法は400例未満のラベル付きサンプルで訓練され、異なる病院から得られたデータセット間で一般化可能である。
• 放射線科医が自動CTR測定値を検証し、調整なしに臨床的妥当性を評価した。
• システムはMRD、MLD、IDの測定位置を明確にハイライトすることで、即座に放射線科医による確認が可能な視覚的ヒントを提供する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、放射線科医による手動調整を要せず、臨床的に高い受容性を示すCTR測定を達成できるか？
• RQ2 境界付近または軽度に異常な症例において、自動CTR検出の性能は人間ラベルと比較してどうなるか？
• RQ3 データセットラベルにどれほど誤りが含まれており、アルゴリズムは人間の読影者および既存のラベルシステムが見逃した症例を検出できるか？
• RQ4 人間の知覚の閾値を下回るが臨床的に重要であるとされる微細な心臓肥大症例を、モデルは検出できるか？
• RQ5 限られたトレーニングデータで、異なる病院の多様なデータセットに対して、このアルゴリズムはどの程度の性能を示すか？

主な発見

• 提案手法は、放射線科医によるCTR測定の76.5％の受容率を達成し、臨床的有用性が強く、手作業の負荷が著しく低減された。
• NIH胸部レントゲンデータセットでは、心臓肥大検出に67.1％の正確性、感度0.81、特異度0.69を達成した。
• CheXpertデータセットでは、正確性69.8％、感度0.69、特異度0.70を達成した。
• NIHデータセットの誤検出の83.3％およびCheXpertデータセットの87.4％は、CTR値が0.5〜0.6の範囲にあり、閾値付近での誤分類リスクが顕著に高いことが示された。
• NIH胸部レントゲンデータセットでは13.9％、CheXpertデータセットでは32.5％のラベルが放射線科医が受容したCTR値と不一致であり、顕著なラベルノイズが存在することが明らかになった。
• アルゴリズムは、データセットで「心臓肥大なし」と誤ってラベル付けされた軽度の心臓肥大症例（CTR 0.5–0.55）を検出でき、第二の意見ツールとしての価値を示した。