[論文レビュー] Deep Learning for Rheumatoid Arthritis: Joint Detection and Damage Scoring in X-rays

Krzysztof Maziarz, Anna Krason+1 more|arXiv (Cornell University)|Apr 28, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 23被引用数 4

ひとこと要約

本論文では、1つの畳み込みニューラルネットワークを用いて手足のレントゲン画像において関節の検出と関節間隙間狭窄および石灰化損傷のスコアリングを同時に実行するマルチタスク深層学習モデルを提示する。分類と回帰の信号を統合するために局所的ラベルスムージングを導入することで、相対誤差を5%削減し、関節間隙間狭窄と石灰化損傷スコアリングの両方でRA2 DREAMチャレンジで第4位および第5位を達成した。

ABSTRACT

Recent advancements in computer vision promise to automate medical image analysis. Rheumatoid arthritis is an autoimmune disease that would profit from computer-based diagnosis, as there are no direct markers known, and doctors have to rely on manual inspection of X-ray images. In this work, we present a multi-task deep learning model that simultaneously learns to localize joints on X-ray images and diagnose two kinds of joint damage: narrowing and erosion. Additionally, we propose a modification of label smoothing, which combines classification and regression cues into a single loss and achieves 5% relative error reduction compared to standard loss functions. Our final model obtained 4th place in joint space narrowing and 5th place in joint erosion in the global RA2 DREAM challenge.

研究の動機と目的

• X線画像からの関節検出と損傷スコアリングを自動化することで、 rheumatoid arthritis 臨床診断を支援すること。
• 専門家依存のスコアリングに代わってデータ駆動型アプローチを導入することで、従来のレントゲン画像評価における主観性と時間的負担を軽減すること。
• 関節局在と損傷評価を統合したマルチタスク学習を活用することで、低データ医療画像分野におけるモデルの性能と一般化能力を向上させること。
• 分類と回帰信号を統合する新規なラベルスムージング技術により、SvHスコア予測の誤差を低減すること。

提案手法

• 関節検出、石灰化、狭窄スコアリングのための共有特徴抽出を備えた、U-Netに類似したエンコーダ・デコーダアーキテクチャを採用。
• 関節中心座標のアノテーションを2つの半径パラメータ（r と R）を用いてセグメンテーションマスクに変換し、ピクセル単位での関節領域分類を可能にする。
• 空間認識能力と局在精度の向上を図るため、入力に座標チャネル（CoordConv）を追加。
• 最終的な特徴マップを、関節検出、石灰化、狭窄スコアリングの3つの個別ピクセル分類器に供給。
• 交差エントロピー損失に局所的ラベルスムージングを適用し、10%の確率質量を隣接クラスに再配分することで、回帰目的とより整合性をもたせる。
• 推論時、SvHスコアはモデル出力からのソフトマックス確率を重み平均として計算する。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、手足のレントゲン画像において関節検出と二重損傷スコアリング（狭窄および石灰化）を効果的に実行できるか？
• RQ2 セグメンテーションマスクによる空間的局在手がかりを統合することで、低データ医療画像分野における性能がどのように向上するか？
• RQ3 分類と回帰信号を統合する局所的ラベルスムージングは、SvHスコア推定における誤差低減にどの程度寄与するか？
• RQ4 共有特徴抽出を用いたマルチタスク学習は、個別モデルと比較して精度と効率の面で優れているか？

主な発見

• テストセットにおいて、関節間隙間狭窄の平均RMSEは0.4075、石灰化の平均RMSEは0.4607を記録し、それぞれRA2 DREAMチャレンジで第4位および第5位を達成した。
• 局所的ラベルスムージングにより、標準的な交差エントロピー損失と比較して相対誤差が約5%低減され、回帰ベースのスコアリングとより整合性があることが示された。
• Rを40に固定した場合、最適なセグメンテーション半径（r）は約32ピクセルであると判明し、空間的マスク設計に敏感であることが示された。
• モデルの性能はデータオーグメンテーションに対して頑健であり、シンプルでエンドツーエンドのマルチタスクアーキテクチャを採用したにもかかわらず、一部のケースでより複雑なパイプラインを上回る結果を達成した。
• アブレーションスタディにより、局所的ラベルスムージングとセグメンテーションマスク半径が最終的なモデル精度に顕著な影響を及ぼす重要なハイパーパrameterであることが確認された。