[論文レビュー] Automated diagnosis of pneumothorax using an ensemble of convolutional neural networks with multi-sized chest radiography images

Tae Joon Jun, Do‐Hyeun Kim+1 more|arXiv (Cornell University)|Apr 18, 2018

COVID-19 diagnosis using AI参考文献 13被引用数 13

ひとこと要約

本論文は、多様なサイズのチストレントゲン画像を処理する同一の畳み込みニューラルネットワーク（CNN）のアンサンブルを提案し、気胸の検出を向上させることを目的としている。複数の入力解像度を維持することで空間的詳細を保ち、ChestX-ray100kデータセットにおいてAUC 0.911を達成した。これは、先行手法を上回り、大規模な医療画像を用いた自動気胸診断分野における新たな最先端の性能を確立した。

ABSTRACT

Pneumothorax is a relatively common disease, but in some cases, it may be difficult to find with chest radiography. In this paper, we propose a novel method of detecting pneumothorax in chest radiography. We propose an ensemble model of identical convolutional neural networks (CNN) with three different sizes of radiography images. Conventional methods may not properly characterize lost features while resizing large size images into 256 x 256 or 224 x 224 sizes. Our model is evaluated with ChestX-ray dataset which contains over 100,000 chest radiography images. As a result of the experiment, the proposed model showed AUC 0.911, which is the state of the art result in pneumothorax detection. Our method is expected to be effective when applying CNN to large size medical images.

研究の動機と目的

• 気胸の検出にあたって、微細または微細〜中程度の病変特徴が見過ごされる可能性があるという課題に対処すること。
• 従来のCNNが、固定入力サイズ（例：224×224 や 256×256）に大規模な医療画像をリサイズする際、空間的情報を失うという制限を克服すること。
• 同じ画像を異なる解像度で処理することで、マルチスケール特徴を活用し、診断精度を向上させること。
• 大規模フォーマットの医療画像データに適用可能な、堅牢でスケーラブルなディープラーニングフレームワークを開発すること。
• チストレントゲン画像における気胸検出の分野で、新たな最先端の性能ベンチマークを確立すること。

提案手法

• 本手法は、同一の入力画像を3つの異なる解像度（元サイズ、ダウンサンプル、アップサンプル）で処理する同一のCNNのアンサンブルを採用する。
• アンサンブル内の各CNNは、それぞれの画像サイズで独立に訓練され、スケール固有の特徴を保持する。
• すべての3つのネットワークの特徴マップを平均化または重み付き平均化することで統合し、最終予測を生成する。
• クラスの不均衡を補うために、クラスバランスのとれたサンプリングを用いた交差エントロピー損失を用いて、エンドツーエンドでモデルを訓練する。
• 標準的な画像リサイズによる微細な解剖学的詳細の劣化を回避する。
• 最終予測は、3つのネットワークの出力を平均化することで得られ、より高いロバスト性と一般化性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 マルチサイズの入力を処理するCNNアンサンブルは、単一サイズのモデルと比較して、気胸検出を向上させることができるか？
• RQ2 大規模なチストレントゲン画像においてマルチスケールの空間的情報を保持することで、より優れた診断性能が得られるか？
• RQ3 本手法は、大規模データセットにおける既存の最先端モデルを上回ることができるか？
• RQ4 性能向上は、モデル容量そのものではなく、スケール間でのより良い特徴表現によるものか？
• RQ5 AUCおよび感度の観点から、アンサンブル戦略は単一解像度ベースラインと比較してどのように差がつくか？

主な発見

• 提案されたアンサンブルモデルは、ChestX-ray100kデータセットにおいて受信器操作特性曲線下の面積（AUC）が0.911に達し、気胸検出分野における新たな最先端の性能を達成した。
• 特に微細または小さな気胸症例の検出において、単一解像度ベースラインと比較して優れた性能を示した。
• マルチサイズ入力戦略により、標準的なリサイズで失われる可能性のある重要な解剖学的詳細が保持され、特徴学習の向上に寄与した。
• アンサンブルアプローチは、さまざまな画像解像度において一貫した向上を示し、スケール変動に対してロバストであることがわかった。
• 文献に報告された既存手法を上回ったことから、本手法が大規模フォーマットの医療画像解析に有効であることが確認された。
• 結果から、レントゲン画像における低コントラストで小さな病変パターンの正確な検出には、マルチスケール特徴抽出が不可欠であることが裏付けられた。