[論文レビュー] ChestNet: A Deep Neural Network for Classification of Thoracic Diseases on Chest Radiography

Hongyu Wang, Yong Xia|arXiv (Cornell University)|Jul 9, 2018

COVID-19 diagnosis using AI参考文献 15被引用数 101

ひとこと要約

ChestNetは、分類ブランチと注意機構ブランチを組み合わせて胸部X線写真から14の胸部疾患を診断し、追加のトレーニングデータを使用せずにChestX-ray14で最先端モデルを上回ります。

ABSTRACT

Computer-aided techniques may lead to more accurate and more acces-sible diagnosis of thorax diseases on chest radiography. Despite the success of deep learning-based solutions, this task remains a major challenge in smart healthcare, since it is intrinsically a weakly supervised learning problem. In this paper, we incorporate the attention mechanism into a deep convolutional neural network, and thus propose the ChestNet model to address effective diagnosis of thorax diseases on chest radiography. This model consists of two branches: a classification branch serves as a uniform feature extraction-classification network to free users from troublesome handcrafted feature extraction, and an attention branch exploits the correlation between class labels and the locations of patholog-ical abnormalities and allows the model to concentrate adaptively on the patholog-ically abnormal regions. We evaluated our model against three state-of-the-art deep learning models on the Chest X-ray 14 dataset using the official patient-wise split. The results indicate that our model outperforms other methods, which use no extra training data, in diagnosing 14 thorax diseases on chest radiography.

研究の動機と目的

• 深層学習を用いて胸部X線写真から胸部疾患の正確でアクセスしやすい診断を促進する。
• 胸部疾患の局在化と診断の弱教師付き性質に対処する。
• 統一された特徴抽出-分類ネットワークを使用して手作業特徴抽出の必要性を排除する。

提案手法

• 均一な特徴抽出と分類のための分類ブランチと、クラスラベルを異常部位にリンクさせる注意ブランチを含む二分岐アーキテクチャを導入する。
• ラベルと病理学的に異常な領域との相関を活用する注意機構を組み込み、病変部位に適応的フォーカスを可能にする。
• 公式の患者別分割を用いてChestX-ray14データセットの性能を評価する。
• 最先端モデルと比較するためにデータセットを超える追加のトレーニングデータを使用しない。

実験結果

リサーチクエスチョン

• RQ1 注意機構は胸部X線写真における胸部疾患の局在化と診断精度を改善できるか？
• RQ2 ChestNetは追加のトレーニングデータに頼らずにChestX-ray14で優れた診断性能を達成するか？
• RQ3 注意成分を持つ二分岐アーキテクチャは、手作業特徴を用いた単一ブランチアプローチより効果的か？
• RQ4 ChestX-ray14データセットの14の胸部疾患カテゴリ全体でモデルはどのように性能を示すか？

主な発見

• ChestNetは公式の患者別分割を用いてChestX-ray14で3つの最先端深層学習モデルを上回る。
• モデルはChestX-ray14を超える追加トレーニングデータを必要とせずに疾患診断性能を向上させる。
• 注意ブランチはラベルと病変部位の相関を活用してネットワークを病理的に異常な領域に焦点を合わせることを可能にする。
• 提案されたフレームワークは、統一された特徴抽出-分類パイプラインを提供することにより手作業特徴への依存を低減する。