[論文レビュー] Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net

Soham S. Sarpotdar|arXiv (Cornell University)|May 23, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 8

ひとこと要約

本論文では、胸部X線における心臓肥大の自動検出を目的として、カスタマイズされた再訓練済みU-Netアーキテクチャと深層畳み込みニューラルネットワークの組み合わせを提案する。オープンソースのChestX-ray8データセットを用いて、モデルは94%の正確性、96.2%の感受性、92.5%の特異性を達成し、このタスクにおいて先行する事前学習モデルを上回った。

ABSTRACT

Cardiomegaly is indeed a medical disease in which the heart is enlarged. Cardiomegaly is better to handle if caught early, so early detection is critical. The chest X-ray, being one of the most often used radiography examinations, has been used to detect and visualize abnormalities of human organs for decades. X-ray is also a significant medical diagnosis tool for cardiomegaly. Even for domain experts, distinguishing the many types of diseases from the X-ray is a difficult and time-consuming task. Deep learning models are also most effective when used on huge data sets, yet due to privacy concerns, large datasets are rarely available inside the medical industry. A Deep learning-based customized retrained U-Net model for detecting Cardiomegaly disease is presented in this research. In the training phase, chest X-ray images from the "ChestX-ray8" open source real dataset are used. To reduce computing time, this model performs data preprocessing, picture improvement, image compression, and classification before moving on to the training step. The work used a chest x-ray image dataset to simulate and produced a diagnostic accuracy of 94%, a sensitivity of 96.2 percent, and a specificity of 92.5 percent, which beats prior pre-trained model findings for identifying Cardiomegaly disease.

研究の動機と目的

• 心臓が拡大する状態である心臓肥大の早期検出の課題に取り組むこと。
• プライバシー制約のため大規模な医療データセットが限られる状況でも、診断の正確性を向上させる深層学習モデルを開発すること。
• ChestX-ray8データセットを用いたトランスファー学習とデータ拡張を活用して、心臓肥大検出の性能を向上させること。
• トレーニング前の画像前処理、強化、圧縮により、計算時間を短縮すること。
• 胸部X線画像からの心臓肥大検出において、既存の事前学習モデルを上回ること。

提案手法

• 実臨床の胸部X線画像を含むChestX-ray8データセットを用いて、カスタマイズされたU-Netモデルをトランスファー学習で微調整する。
• 画像正規化、ノイズ低減、コントラスト強化を含む前処理により、入力品質を向上させる。
• 計算負荷を低減するため、診断的特徴の損失が顕著でない範囲で画像圧縮技術を適用する。
• 特徴抽出と分類のため、U-Netのエンコーダ・デコーダアーキテクチャに深層畳み込みニューラルネットワーク（CNN）を統合する。
• 交差エントロピー損失とAdam最適化を用い、学習率スケジューリングを伴うエンドツーエンドのトレーニングを実施する。
• ホールドアウトされたテストセットを用いて、正確性、感受性、特異性といった標準指標で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 標準的な事前学習モデルと比較して、微調整されたU-Netアーキテクチャは、心臓肥大検出において優れた性能を達成できるか？
• RQ2 前処理および画像圧縮は、診断正確性を損なわせることなく、トレーニング効率をどの程度向上させるか？
• RQ3 ChestX-ray8データセットにおいて、提案モデルの感受性と特異性はどのように評価されるか？
• RQ4 限られた医療データセット上でトランスファー学習を適用しても、心臓肥大検出において高い診断性能を達成できるか？
• RQ5 U-NetアーキテクチャにCNNを統合することで、心疾患の異常検出における特徴学習がどのように向上するか？

主な発見

• 提案モデルはChestX-ray8データセットで94%の診断正確性を達成し、優れた全体的な性能を示した。
• 96.2%の感受性は、心臓肥大を有する患者を正しく同定する高信頼性を示している。
• 92.5%の特異性は、健康な個体においてその状態を正しく除外できる能力を示している。
• 心臓肥大検出において、正確性と感受性の両面で、先行する事前学習モデルを上回った。
• 前処理および圧縮技術の活用により、トレーニング時間が顕著に短縮されたが、モデル性能に悪影響は与えなかった。
• 結果から、CNN統合による微調整済みU-Netは、臨床現場における自動心臓肥大検出の実用的で効果的なソリューションであると考えられる。