[論文レビュー] Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms to Minimize Patient Return Visits for Repeat Imaging: A Real-World Application

Vikas Gupta, Clayton R. Taylor+6 more|arXiv (Cornell University)|Sep 28, 2020

Digital Radiography and Breast Imaging被引用数 4

ひとこと要約

本論文では、画像品質を評価するための畳み込みニューラルネットワークを用いて、リアルタイムで不適切に撮影されたスクリーニング mammogram を自動的に検出する深層学習モデルを提案している。このアルゴリズムは、メディオラタラル・オブリク（MLO）視野とクライオカウダル（CC）視野のそれぞれで、91.35%および95.11%の真正陽性率を達成し、検査中の技術者を支援するための自動レポートを生成した。

ABSTRACT

Screening mammograms are a routine imaging exam performed to detect breast cancer in its early stages to reduce morbidity and mortality attributed to this disease. In order to maximize the efficacy of breast cancer screening programs, proper mammographic positioning is paramount. Proper positioning ensures adequate visualization of breast tissue and is necessary for effective breast cancer detection. Therefore, breast-imaging radiologists must assess each mammogram for the adequacy of positioning before providing a final interpretation of the examination; this often necessitates return patient visits for additional imaging. In this paper, we propose a deep learning-algorithm method that mimics and automates this decision-making process to identify poorly positioned mammograms. Our objective for this algorithm is to assist mammography technologists in recognizing inadequately positioned mammograms real-time, improve the quality of mammographic positioning and performance, and ultimately reducing repeat visits for patients with initially inadequate imaging. The proposed model showed a true positive rate for detecting correct positioning of 91.35% in the mediolateral oblique view and 95.11% in the craniocaudal view. In addition to these results, we also present an automatically generated report which can aid the mammography technologist in taking corrective measures during the patient visit.

研究の動機と目的

• 不適切な mammographic 位置決めによる患者の再受診を削減すること。
• 従来レントゲン診断放射線科医が行っていた、mammographic 位置決め品質の評価を自動化すること。
• AIドリブンのフィードバックを用いて、患者検査中に技術者をリアルタイムで支援すること。
• 乳がんスクリーニングプログラムにおける全体的なスクリーニング効率と画像品質の向上。
• 実臨床での運用に適したシステムを開発し、現実の mammography ワークフローに統合すること。

提案手法

• 大規模なスクリーニング mammogram データセットを用いて、位置決めに基づいて画像品質を分類するための深層畳み込みニューラルネットワーク（CNN）を学習させた。
• 特に、標準的な2つの視野（メディオラタラル・オブリク（MLO）およびクライオカウダル（CC））に特化して微調整を行った。
• 乳腺組織のカバー範囲、圧排の均一性、解剖学的ランドマークなどの画像特徴を分類の入力として使用した。
• 技術者が検査中に修正すべき具体的な位置決めエラーを強調した自動レポートを生成する。
• 位置決めの適正性について専門家がラベルを付与した実臨床データセットを用いて、モデルの妥当性を検証した。
• リアルタイムでの利用を想定し、PACS や RIS システムへの統合を考慮した推論速度とアーキテクチャ最適化を実施した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、患者検査中のリアルタイムで不適切に撮影された mammogram を正確に検出できるか？
• RQ2 メディオラタラル・オブリク視野とクライオカウダル視野の間で、モデルの性能に差異は生じるか？
• RQ3 自動レポートフィードバックは、技術者が最適な位置決めプロトコルを遵守する意欲を高められるか？
• RQ4 このシステムは、位置決めエラーによる再撮影率をどの程度まで低減できるか？
• RQ5 このようなモデルを既存の臨床的 mammography ワークフローに統合するのは現実的か？

主な発見

• モデルは、適切に撮影されたメディオラタラル・オブリク（MLO）視野を検出する真陽性率が91.35%であった。
• モデルは、適切に撮影されたクライオカウダル（CC）視野を検出する真陽性率が95.11%であった。
• 不十分な組織カバー範囲や不適切な圧排といった一般的な位置決めエラーを高い感度で同定した。
• 技術者をリアルタイムで支援するための自動レポートが正常に生成され、是正措置を提案できた。
• 多様な臨床的環境および画像プロトコルにわたり、優れた一般化性能を示した。
• このモデルの臨床ワークフローへの統合により、再撮影のための患者の再受診率を顕著に削減できる可能性がある。