[論文レビュー] Automated Rib Fracture Detection of Postmortem Computed Tomography Images Using Machine Learning Techniques

Samuel Gunz, Svenja Erne+6 more|arXiv (Cornell University)|Aug 15, 2019

Autopsy Techniques and Outcomes参考文献 24被引用数 4

ひとこと要約

本研究では、2次元の肋骨展開画像をRGBカラー変換により3次元座標空間に変換し、HOMFLY多項式不変量を計算することで、死亡後CTスキャンにおける自動的肋骨骨折検出のための新しい機械学習手法を提案する。この手法は0.60の精度を達成しており、トポロジーの一貫性とデータセットの制限といった課題が存在するが、実現可能性を示している。

ABSTRACT

Imaging techniques is widely used for medical diagnostics. This leads in some cases to a real bottleneck when there is a lack of medical practitioners and the images have to be manually processed. In such a situation there is a need to reduce the amount of manual work by automating part of the analysis. In this article, we investigate the potential of a machine learning algorithm for medical image processing by computing a topological invariant classifier. First, we select retrospectively from our database of postmortem computed tomography images of rib fractures. The images are prepared by applying a rib unfolding tool that flattens the rib cage to form a two-dimensional projection. We compare the results of our analysis with two independent convolutional neural network models. In the case of the neural network model, we obtain an $F_1$ Score of 0.73. To access the performance of our classifier, we compute the relative proportion of images that were not shared between the two classes. We obtain a precision of 0.60 for the images with rib fractures.

研究の動機と目的

• 法医学的レントゲン診断における人的作業負荷を軽減するため、死亡後CTスキャンにおける肋骨骨折検出を自動化すること。
• 特にHOMFLY多項式を含むトポロジカル不変量の、医用画像分類への応用を検討すること。
• 画像畳み込みから導出される多項式ねじれ不変量が、肋骨骨折と非骨折を区別できるかどうかを評価すること。
• 同じデータセット上で、トポロジカル手法と深層学習モデル（MobileNetおよび簡略化されたCNN）の性能を比較すること。
• 画像前処理およびトポロジー生成における現在の限界を同定すること。

提案手法

• 死亡後CTスキャンからの肋骨郭を、肋骨展開ツールを用いて2次元投影に展開した。
• グレースケールCT画像をnipy_spectralカラーマップを用いてRGBに変換し、マルチチャネル処理を可能にした。
• 13個の畳み込みカーネルをそれぞれのRGBチャネルに個別に適用し、プーリング処理を実行して2×2の特徴マップを生成した。
• 特徴マップの座標（xR, xG, xB）を抽出し、RGBカラー空間を表す3次元ユークリッド空間にマッピングした。
• 各画像の座標集合に対してHOMFLY多項式を計算し、分類のためのトポロジカル不変量とした。
• 各クラス（骨折あり／なし）に固有の多項式を用い、一方のリスト内にのみ存在する場合を測定することで、精度を算出した。

実験結果

リサーチクエスチョン

• RQ1 画像畳み込みから導出されるHOMFLY多項式不変量は、死亡後CTスキャンにおける肋骨骨折を信頼性高く分類できるか？
• RQ2 トポロジカル分類器の性能は、MobileNetや簡略化されたCNNといった既存の深層学習モデルと比較してどうか？
• RQ3 特に低コントラストで複雑な解剖学的構造を有する医用画像分類において、カーネルベースの畳み込みおよびトポロジカル不変量の使用にどのような限界があるか？
• RQ4 データセットサイズが、この文脈におけるトポロジカル特徴抽出の整合性および正確性にどの程度影響を及えるか？
• RQ5 1つの対象に対して複数のねじれタイプが存在する場合でも、座標クラスタリングおよび多項式不変量に基づくトポロジカルアプローチが、信頼性のある分類を達成できるか？

主な発見

• トポロジカル分類器は、特定のクラスにのみ存在する多項式の排他的存在に基づき、骨折と非骨折を識別する精度0.60を達成した。
• 2つの深層学習モデル（MobileNetおよび簡略化されたCNN）のF1スコアは0.73であり、トポロジカル手法を上回った。
• この手法の概念的独創性は認められるが、同じ物体に対して複数の異なるトポロジーが生成されたため、特徴抽出の不一致が生じた。
• クラス間でトポロジーが重複するため、分類器の予測力が、ラベルなしデータに対して制限された。
• モデルアーキテクチャの違いによる性能の差は顕著ではなく、MobileNetと簡略化されたCNNの両者で同等の結果が得られた。
• 著者らは、ぼやけたまたは明確でない輪郭を有する医用画像は、標準的な深層学習カーネルには適さない可能性があると指摘し、専用カーネル設計のさらなる検討が求められると述べている。