[論文レビュー] Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection

Michael J. Horry, Subrata Chakraborty+6 more|arXiv (Cornell University)|Jan 24, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 7

ひとこと要約

本論文は、肺結節検出のための深層学習モデルの一般化性能を向上させる、チストレントゲン画像向けのバイアス除去前処理パイプラインを提案する。ヒストグラム平坦化、肺領域分離、クローズドクロッピング、肋骨抑制を適用することで、未観測データへの外部一般化性能が向上し、独立したテストセットで89%の精度を達成した。これにより、農村部の人口における低コストでプライバシーを守るスクリーニングが可能になる。

ABSTRACT

Lung cancer is the leading cause of cancer death worldwide and a good prognosis depends on early diagnosis. Unfortunately, screening programs for the early diagnosis of lung cancer are uncommon. This is in-part due to the at-risk groups being located in rural areas far from medical facilities. Reaching these populations would require a scaled approach that combines mobility, low cost, speed, accuracy, and privacy. We can resolve these issues by combining the chest X-ray imaging mode with a federated deep-learning approach, provided that the federated model is trained on homogenous data to ensure that no single data source can adversely bias the model at any point in time. In this study we show that an image pre-processing pipeline that homogenizes and debiases chest X-ray images can improve both internal classification and external generalization, paving the way for a low-cost and accessible deep learning-based clinical system for lung cancer screening. An evolutionary pruning mechanism is used to train a nodule detection deep learning model on the most informative images from a publicly available lung nodule X-ray dataset. Histogram equalization is used to remove systematic differences in image brightness and contrast. Model training is performed using all combinations of lung field segmentation, close cropping, and rib suppression operators. We show that this pre-processing pipeline results in deep learning models that successfully generalize an independent lung nodule dataset using ablation studies to assess the contribution of each operator in this pipeline. In stripping chest X-ray images of known confounding variables by lung field segmentation, along with suppression of signal noise from the bone structure we can train a highly accurate deep learning lung nodule detection algorithm with outstanding generalization accuracy of 89% to nodule samples in unseen data.

研究の動機と目的

• チストレントゲン画像における肺結節検出のための深層学習モデルの一般化性能が低いという課題に対処すること。
• 多様なデータソース間での撮影ばらつき（例：明るさ、コントラスト、肋骨アーチファクト）に起因するデータバイアスを低減すること。
• 農村部や支援が不足する地域におけるスケーラブルで低コストかつプライバシーを守る肺がんスクリーニングを可能にすること。
• 体系的な画像前処理により、未観測データセット間でのモデルの頑健性を向上させること。
• 個々の前処理コンポーネントがモデル一般化性能の向上に果たす寄与を検証すること。

提案手法

• 異なるデータセット間で画像の明るさとコントラストを標準化するため、ヒストグラム平坦化を適用する。
• 関心領域を特定し、不要な解剖学的構造を除去するために、肺領域分離を用いる。
• 肺領域に焦点を当て、背景ノイズを低減するためにクローズドクロッピングを実装する。
• 結節検出における骨構造の干渉を最小限に抑えるために、肋骨抑制を適用する。
• これらの前処理ステップをパイプライン化し、すべての演算子の組み合わせを用いて深層学習モデルを訓練する。
• 進化的なプルーニング機構を用いて、モデル学習に最も有益な画像を選別する。

実験結果

リサーチクエスチョン

• RQ1 体系的な前処理パイプラインにより、チストレントゲン画像のバイアスを除去することで、未観測データに対する深層学習モデルの一般化性能が向上するか？
• RQ2 前処理パイプラインの個々のコンポーネント（例：肋骨抑制、ヒストグラム平坦化）の中で、一般化性能の向上に最も寄与しているのはどれか？
• RQ3 単一のデータセットで学習したバイアス除去モデルが、独立した外部テストセットに効果的に一般化できるか？
• RQ4 画像均一化と選択的画像プルーニングの組み合わせが、検出精度と頑健性にどのように影響するか？
• RQ5 このパイプラインは、農村医療環境におけるプライバシーを守る展開を可能にするフェデレーテッドラーニングに、どの程度貢献できるか？

主な発見

• バイアス除去パイプラインにより、モデルの一般化性能が顕著に向上し、独立した未観測の肺結節データセットで89%の精度を達成した。
• アブレーションスタディにより、特に肋骨抑制とヒストグラム平坦化が、性能向上に有意に寄与していることが確認された。
• 肺領域分離とクローズドクロッピングにより、不要な解剖学的変動や背景ノイズに対するモデルの感受性が低減した。
• 進化的なプルーニング機構により、有益な画像が効果的に選別され、学習効率とモデル性能が向上した。
• 前処理技術の組み合わせが、生データまたは最小限に処理された画像で学習したベースラインモデルを上回った。
• データの均一性を確保し、多様なデータソース間でのバイアスを低減するため、このパイプラインはフェデレーテッドラーニング環境での展開を支援する。