[論文レビュー] Cascaded Neural Networks with Selective Classifiers and its evaluation using Lung X-ray CT Images

Masaharu Sakamoto, Hiroki Nakano|arXiv (Cornell University)|Nov 22, 2016

COVID-19 diagnosis using AI参考文献 5被引用数 6

ひとこと要約

本論文は、CTスキャンからの肺結節検出におけるクラス不均衡問題に対処するため、選択的分類器を用いた段階的ディーブラーニングフレームワークを提案する。まず、畳み込みニューラルネットワークの段階的アプローチで明白な非結節をフィルタリングし、その後、バランスの取れた高感度分類器を残りの候補に適用することで、FROC評価において1スキャンあたり1の誤検出で85.3%の感度、4の誤検出で90.7%の感度を達成し、まれな結節の検出が顕著に向上した。

ABSTRACT

Lung nodule detection is a class imbalanced problem because nodules are found with much lower frequency than non-nodules. In the class imbalanced problem, conventional classifiers tend to be overwhelmed by the majority class and ignore the minority class. We therefore propose cascaded convolutional neural networks to cope with the class imbalanced problem. In the proposed approach, cascaded convolutional neural networks that perform as selective classifiers filter out obvious non-nodules. Successively, a convolutional neural network trained with a balanced data set calculates nodule probabilities. The proposed method achieved the detection sensitivity of 85.3% and 90.7% at 1 and 4 false positives per scan in FROC curve, respectively.

研究の動機と目的

• 肺結節検出におけるクラス不均衡問題に対処すること。ここでは、結節が非結節に比べてまれである。
• 従来の分類器がしばしば見逃すような小規模でまれな結節の検出感度を向上させること。
• 最初の段階で明白な非結節をフィルタリングする段階的ディーブラーニングアーキテクチャを構築すること。その後、残りの候補に高精度でバランスの取れた分類器を適用する。
• 標準的なFROC指標を用いて、実世界の肺X線CT画像データ上でこの手法を評価すること。

提案手法

• フレームワークは段階的アーキテクチャを採用している。最初の段階では、選択的分類器として畳み込みニューラルネットワークを用い、明白な非結節候補を除外する。
• 2番目の段階では、クラス分布が等しいデータセット上でトレーニングされた別個のバランスの取れた畳み込みニューラルネットワークを用い、結節の確率を推定する。
• 最初の段階のネットワークは候補領域の数を削減し、計算負荷を低減するとともに、曖昧または結節に似た領域に注目する。
• 最終的な検出意思決定は、少数クラス（結節）を高感度で検出することを最適化した2段階目のネットワークの出力に基づいて行われる。
• 限られた医用画像データにおける一般化性能を向上させるために、トランスファーラーニングとデータ拡張を活用する。
• システム全体は、結節検出タスクで標準的であるFROC（フリー・リスポンスROC）指標を用いてトレーニングおよび評価される。

実験結果

リサーチクエスチョン

• RQ1 従来の分類器と比較して、段階的ディーブラーニングアーキテクチャは、CTスキャンにおけるまれな肺結節の検出感度を向上させることができるか？
• RQ2 最初の段階で選択的分類器を用いて非結節をフィルタリングし、誤検出を低減する効果はどの程度か？
• RQ3 2段階目のネットワークをバランスの取れたデータセットでトレーニングすることで、不均衡なデータに対する検出性能がどの程度向上するか？
• RQ4 臨床的評価において、段階的アプローチは感度を維持しながら誤検出率を低減できるか？
• RQ5 本手法は、実際の肺CTデータにおけるFROC性能に関して、ベースラインモデルと比較してどのように差がつくか？

主な発見

• 提案手法は、FROC評価において1スキャンあたり1の誤検出で85.3%の感度を達成した。
• 4スキャンあたり1の誤検出で感度は90.7%に上昇し、まれな結節検出において優れた性能を示した。
• 段階的設計により、従来の分類器がしばしば見逃す小規模で低コントラストの結節の検出が顕著に向上した。
• 2段階目のトレーニングにバランスの取れたデータセットを用いることで、少数クラス（結節）の検出能力が向上し、過学習を防いだ。
• 最初の段階での選択的フィルタリングにより、候補領域の数が削減され、推論効率が向上し、リスクの高い領域に集中するようになった。
• 結果から、選択的分類器を用いた段階的ネットワークは、医用画像解析におけるクラス不均衡問題の処理に有効であることが示された。