[論文レビュー] Deep learning in radiology: an overview of the concepts and a survey of the state of the art

Maciej A. Mazurowski, Mateusz Buda+2 more|arXiv (Cornell University)|Feb 10, 2018

AI in cancer detection参考文献 81被引用数 32

ひとこと要約

この論文は、レントゲン診断におけるディープラーニングの包括的な概要を提供し、人工知能、機械学習、ニューラルネットワークのコアコンセプトを説明している。特に、医用画像分野で支配的である畳み込みニューラルネットワーク（CNNs）に焦点を当てている。CNNsが誤差逆伝播と確率的勾配降下法を用いて学習する方法を詳細に説明し、データ不足に直面する医用アプリケーションに対応するためのトレーニング戦略として、転移学習や市販の特徴量抽出法を評価している。

ABSTRACT

Deep learning is a branch of artificial intelligence where networks of simple interconnected units are used to extract patterns from data in order to solve complex problems. Deep learning algorithms have shown groundbreaking performance in a variety of sophisticated tasks, especially those related to images. They have often matched or exceeded human performance. Since the medical field of radiology mostly relies on extracting useful information from images, it is a very natural application area for deep learning, and research in this area has rapidly grown in recent years. In this article, we review the clinical reality of radiology and discuss the opportunities for application of deep learning algorithms. We also introduce basic concepts of deep learning including convolutional neural networks. Then, we present a survey of the research in deep learning applied to radiology. We organize the studies by the types of specific tasks that they attempt to solve and review the broad range of utilized deep learning algorithms. Finally, we briefly discuss opportunities and challenges for incorporating deep learning in the radiology practice of the future.

研究の動機と目的

• レントゲン診断研究者向けに、人工知能、機械学習、ディープラーニングの基礎的概念を明確化すること。
• 医用画像解析における人工ニューラルネットワーク（ANNs）および畳み込みニューラルネットワーク（CNNs）のアーキテクチャと機能を説明すること。
• 限られた医用トレーニングデータの課題に対処するため、転移学習と市販の特徴量抽出法をレビューすること。
• 特徴量工学とモデルトレーニングの観点から、ディープラーニングと従来の機械学習の違いを対比すること。
• 現在の最先端のディープラーニング応用分野におけるレントゲン診断の構造的概要を提供すること。

提案手法

• 人工知能、機械学習、ディープラーニングの段階的な説明を用いて、概念的基盤を確立する。
• 人工ニューラルネットワーク（ANNs）を、重み付き和と非線形活性化関数を実行する相互接続されたニューロンとして記述する。
• 畳み込みニューラルネットワーク（CNNs）を、共有重み、畳み込み層、プーリング、および特化した活性化関数を持つ深層アーキテクチャとして説明する。
• ネットワーク重みを予測誤差を最小化するように更新することで、誤差逆伝播と確率的勾配降下法によるトレーニングプロセスを詳細に説明する。
• 転移学習を導入：大規模データセット（例：ImageNet）で事前学習を行い、その後医用データでファインチューニングする。
• 市販の特徴量アプローチを説明：事前学習済みCNNsの途中層から特徴量を抽出し、従来の分類器と組み合わせて使用する。

実験結果

リサーチクエスチョン

• RQ1 医用画像における人工ニューラルネットワークと畳み込みニューラルネットワークは、構造的・機能的にどのように異なるか？
• RQ2 ディープラーニングモデルが医用画像から特徴量を自動で学習できる主なメカニズムは何であるか？
• RQ3 転移学習は、医用画像応用におけるデータ不足をどのように緩和するか？
• RQ4 特徴量抽出とモデルトレーニングの観点から、ディープラーニングと従来の機械学習はどのように異なるか？
• RQ5 臨床的レントゲン診断タスクにおいて、市販の特徴量とファインチューニングを用いる際の実用的意味は何か？

主な発見

• 特に畳み込みニューラルネットワーク（CNNs）を含むディープラーニングモデルは、手動による特徴量工学を必要とせず、医用画像から階層的な特徴量を自動で学習できる。
• 転移学習により、ImageNetで事前学習されたモデルを有効に活用することで、限られたデータで下流の医用画像タスクのパフォーマンスが向上する。
• 事前学習済みCNNsの途中層から抽出された市販の特徴量は、SVMなどの従来の分類器と組み合わせることで、皮膚腫瘍分類などのタスクで優れたパフォーマンスを達成できる。
• 誤差逆伝播アルゴリズムにより、予測誤差を低減するように繰り返し重みを調整することで、ディープネットワークのエンドツーエンドトレーニングが可能になる。
• データ集約的であるものの、転移学習や特徴量抽出戦略と組み合わせることで、レントゲン診断分野においても高いパフォーマンスを発揮できる。
• CNNsのプーリング層は、医用スキャンにおける微小な画像シフトに対して頑健性を高めるトランスレーション不変性に寄与する。