[論文レビュー] Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection

Fabiha Bushra, Muhammad E. H. Chowdhury+8 more|arXiv (Cornell University)|Nov 9, 2023

Venous Thromboembolism Diagnosis and Management参考文献 59被引用数 5

ひとこと要約

本研究では、CT肺動脈造影（CTPA）における肺塞栓症（PE）検出のための二面的深層学習アプローチを提案する。Attention誘導分類器（AG-CNN）とアンサンブルオブジェクト検出を組み合わせることで、感度と正確性を向上させる。この手法は、mAP$_{50}$が0.846、感度が0.901、F1スコアが0.779を達成し、既存のベンチマークを著しく上回る最先端の性能を示した。

ABSTRACT

The increasing reliance on Computed Tomography Pulmonary Angiography (CTPA) for Pulmonary Embolism (PE) diagnosis presents challenges and a pressing need for improved diagnostic solutions. The primary objective of this study is to leverage deep learning techniques to enhance the Computer Assisted Diagnosis (CAD) of PE. With this aim, we propose a classifier-guided detection approach that effectively leverages the classifier's probabilistic inference to direct the detection predictions, marking a novel contribution in the domain of automated PE diagnosis. Our classification system includes an Attention-Guided Convolutional Neural Network (AG-CNN) that uses local context by employing an attention mechanism. This approach emulates a human expert's attention by looking at both global appearances and local lesion regions before making a decision. The classifier demonstrates robust performance on the FUMPE dataset, achieving an AUROC of 0.927, sensitivity of 0.862, specificity of 0.879, and an F1-score of 0.805 with the Inception-v3 backbone architecture. Moreover, AG-CNN outperforms the baseline DenseNet-121 model, achieving an 8.1% AUROC gain. While previous research has mostly focused on finding PE in the main arteries, our use of cutting-edge object detection models and ensembling techniques greatly improves the accuracy of detecting small embolisms in the peripheral arteries. Finally, our proposed classifier-guided detection approach further refines the detection metrics, contributing new state-of-the-art to the community: mAP$_{50}$, sensitivity, and F1-score of 0.846, 0.901, and 0.779, respectively, outperforming the former benchmark with a significant 3.7% improvement in mAP$_{50}$. Our research aims to elevate PE patient care by integrating AI solutions into clinical workflows, highlighting the potential of human-AI collaboration in medical diagnostics.

研究の動機と目的

• コンputedトモグラフィー肺動脈造影（CTPA）を用いた肺塞栓症（PE）の診断において、正確で迅速な診断ニーズの増大に応えること。
• 従来の手法では頻繁に見逃されがちな、末梢肺動脈内の小さな塞栓を改善して検出すること。
• 確率的推論を活用してオブジェクト検出予測を精緻化する、新しい分類器誘導型検出フレームワークの開発。
• 放射線科医の専門知識とAIを統合する人間-AI協働モデルを通じて、臨床意思決定支援を強化すること。
• CTPA画像における自動PE検出のための新しい最先端のベンチマークを確立すること。

提案手法

• グローバルな解剖学的構造と局所的な病変領域に注目することで特徴学習を強化する、Inception-v3バックボーンを備えたAttention誘導畳み込みニューラルネットワーク（AG-CNN）を採用。
• AG-CNNは注目メカニズムを用いて、人間の専門家が注目する視覚的注意を模倣し、関連する解剖学的および病理的特徴を強調することで分類性能を向上。
• オブジェクト検出には最新のモデル（例：YOLOやRetinaNetの変種）を用い、スキャンの多様性にわたる耐性と一般化性能を向上させるためにアンサンブル化。
• 分類器誘導型検出戦略を導入し、分類器の確率的出力が検出ヘッドの予測をガイド・精緻化することで、誤検出を低減し、局在化精度を向上。
• フレームワークは、交差エントロピー損失を分類に、標準的な検出損失（例：スムーズL1およびGIoU）をボックス予測に使用して、FUMPEデータセット上で訓練および検証。
• モデル性能は、AUROC、感度、特異度、F1スコア、および50%のIoUにおける平均平均精度（mAP$_{50}$）といった標準指標で評価。

実験結果

リサーチクエスチョン

• RQ1 標準モデルと比較して、注目誘導型深層学習分類器は、CTPAにおける肺塞栓症の検出を改善できるか？
• RQ2 分類器の確率的出力の統合は、末梢動脈内の小さな末梢性塞栓に対してオブジェクト検出の正確性をどのように向上させるか？
• RQ3 アンサンブルオブジェクト検出モデルは、末梢肺動脈内の微細または小さな塞栓血栓の検出感度をどの程度向上できるか？
• RQ4 提案された分類器誘導型検出フレームワークは、mAP$_{50}$、感度、F1スコアの観点から、既存の最先端手法を上回る性能を示すか？
• RQ5 深層学習モデルを臨床ワークフローに統合することで、PE診断における偽陰性率を著しく低減できるか？

主な発見

• AG-CNN分類器は、Inception-v3バックボーンを用いてFUMPEデータセットでAUROC 0.927、感度 0.862、特異度 0.879、F1スコア 0.805を達成。
• ベースラインのDenseNet-121モデルと比較して、AUROCが8.1%向上し、注目メカニズムの有効性を示した。
• アンサンブルベースのオブジェクト検出システムは、従来の研究で大きな課題であった、末梢動脈内の小さな塞栓の検出を顕著に向上。
• 最終的な分類器誘導型検出フレームワークは、最先端のmAP$_{50}$ 0.846を達成し、前回のベンチマーク比3.7%の向上を示した。
• 感度は0.901、F1スコアは0.779を達成し、真陽性症例を特定する性能が強く、同時に精度を維持していることを示した。
• 結果は、医療画像における人間-AI協働の可能性を示しており、AIモデルが診断の正確性を向上させ、放射線科医が複雑な症例に対処するのを支援できることを示している。