[論文レビュー] Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound Images using Convolutional Neural Networks

Mostafa Jahanifar, Neda Zamani Tajeddin+3 more|arXiv (Cornell University)|Nov 23, 2020

Shoulder Injury and Treatment被引用数 5

ひとこと要約

本稿では、2段階のアプローチを用いて超音波画像における自動上腕骨筋腱症の検出のためのディープラーニングフレームワークを提案する。まず、新規のNASUNetアーキテクチャを用いた腱のセグメンテーション、次に位置情報が組み込まれた空間的注意型NASNetモデルを用いた分類である。転移学習とデータ拡張を用いた100枚の画像データセット上で、91%の精度、86.67%の感度、92.86%の特異度を達成し、最先端の性能を示した。

ABSTRACT

Tendon injuries like tendinopathies, full and partial thickness tears are prevalent, and the supraspinatus tendon (SST) is the most vulnerable ones in the rotator cuff. Early diagnosis of SST tendinopathies is of high importance and hard to achieve using ultrasound imaging. In this paper, an automatic tendinopathy recognition framework based on convolutional neural networks has been proposed to assist the diagnosis. This framework has two essential parts of tendon segmentation and classification. Tendon segmentation is done through a novel network, NASUNet, which follows an encoder-decoder architecture paradigm and utilizes a multi-scale Enlarging cell. Moreover, a general classification pipeline has been proposed for tendinopathy recognition, which supports different base models as the feature extractor engine. Two feature maps comprising positional information of the tendon region have been introduced as the network input to make the classification network spatial-aware. To evaluate the tendinopathy recognition system, a data set consisting of 100 SST ultrasound images have been acquired, in which tendinopathy cases are double-verified by magnetic resonance imaging. In both segmentation and classification tasks, lack of training data has been compensated by incorporating knowledge transferring, transfer learning, and data augmentation techniques. In cross-validation experiments, the proposed tendinopathy recognition model achieves 91% accuracy, 86.67% sensitivity, and 92.86% specificity, showing state-of-the-art performance against other models.

研究の動機と目的

• 超音波画像を用いた上腕骨筋腱症の早期かつ正確な診断の課題に取り組む。これは、微細なテクスチャ的変化と画像ノイズによる制限がある。
• 診断の一貫性を向上させ、専門家による解釈に依存するのを減らす、自動化されたコンピュータ支援診断（CAD）システムを開発する。
• ラベル付き超音波データの不足を補うために、転移学習、データ拡張、知識蒸留技術を用いる。
• 入力特徴量における腱領域の位置情報を組み込むことで、空間的文脈を強化し、分類性能を向上させる。
• ディープラーニングを用いた、腱のセグメンテーションと腱症分類のための、きめ細かく統合されたエンドツーエンドのパイプラインを確立する。

提案手法

• NASNetベースの構築ブロック（通常セルと低減セル）を用い、特徴量の集約と境界の局所化を向上させるために、新規のマルチスケール拡大セルを導入した、エンコーダ・デコーダ型セグメンテーションネットワーク（NASUNet）を提案する。
• セグメンテーションタスクでは、重み付きDice類似係数と交差エントロピーの2成分から成る損失関数を採用し、重なり具合とピクセル単位の精度の両方を最適化する。
• 分類タスクには、変更を加えたNASNet-A（6@4032）モデルを特徴量抽出器として用い、元の超音波画像に加え、腱領域の位置を示す位置情報マップを入力として供給する。
• 3つの入力シナリオを評価した：元の画像（NASNet-OI）、病変マスク付き（NASNet-WM）、位置情報付き（NASNet-PI）、その中でNASNet-PIが最も優れた性能を示した。
• 100枚の画像という限られたデータセットの問題を緩和するため、転移学習とデータ拡張技術を適用し、モデルの汎化性能を向上させ、過学習を低減した。
• 評価には交差検証を用い、モデル性能を評価する指標として、精度、感度、特異度、AUCを用いた。

実験結果

リサーチクエスチョン

• RQ1 低品質な画像と微細なテクスチャ的変化がある中で、ディープラーニングベースのフレームワークが、上腕骨筋腱症の検出において高い精度を達成できるか？
• RQ2 入力特徴量に腱領域の位置情報を取り入れることで、標準的な入力特徴量と比較して分類性能がどのように向上するか？
• RQ3 転移学習とデータ拡張技術が、医療画像解析における限られたラベル付き超音波データに対して、どの程度の効果を発揮するか？
• RQ4 提案されたNASUNetアーキテクチャは、ノイズの多い超音波画像において、上腕骨筋腱を正確に輪郭抽出する既存のセグメンテーションモデルを上回るか？
• RQ5 分類ネットワークの最適な入力設定（例：元の画像、病変マスク、位置情報マップ）は何か？

主な発見

• 提案されたNASUNetは、腱のセグメンテーションにおいて93.85%のDice類似係数（DSC）と87.32%のジャコーデ類似係数（JSI）を達成し、既存手法を上回った。
• 位置情報が組み込まれた分類モデル（NASNet-PI）は、91%の精度、86.67%の感度、92.86%の特異度を達成し、最先端の性能を示した。
• 入力に位置情報が組み込まれたことで、元の画像や病変マスクのみを使用した場合と比較して、分類性能が顕著に向上した。
• NASNet-PIの受信者リポーティング特性曲線（ROC）は、AUCが91.43%を示し、正常例と腱症例の間の強力な識別能力を示した。
• 転移学習とデータ拡張は、データ不足を効果的に緩和し、100枚の超音波画像という小規模なデータセットでも高い性能を達成できた。
• 得られた結果は、MRIおよび手術的検証を用いたシステマティックレビューで報告された結果と同等であり、臨床的意義があり、正確医療への応用可能性を示唆している。