[論文レビュー] DeepEM: Deep 3D ConvNets With EM For Weakly Supervised Pulmonary Nodule Detection

Wentao Zhu, Yeeleng S. Vang+2 more|arXiv (Cornell University)|May 14, 2018

Lung Cancer Diagnosis and Treatment参考文献 21被引用数 10

ひとこと要約

本稿では、電子カルテ（EMR）を活用してCTスキャンにおける肺結節検出を向上させる弱教師付き3次元畳み込みニューラルネットワークフレームワークであるDeepEMを提案する。結節候補を潜在変数としてモデル化し、不完全なEMRラベルからの後部確率を期待値最大化（EM）アルゴリズムで推定することで、DeepEMはLUNA16でFROC平均値を1.5%、Tianchiで3.9%向上させ、弱教師付きデータの医療画像分野における価値を示した。

ABSTRACT

Recently deep learning has been witnessing widespread adoption in various medical image applications. However, training complex deep neural nets requires large-scale datasets labeled with ground truth, which are often unavailable in many medical image domains. For instance, to train a deep neural net to detect pulmonary nodules in lung computed tomography (CT) images, current practice is to manually label nodule locations and sizes in many CT images to construct a sufficiently large training dataset, which is costly and difficult to scale. On the other hand, electronic medical records (EMR) contain plenty of partial information on the content of each medical image. In this work, we explore how to tap this vast, but currently unexplored data source to improve pulmonary nodule detection. We propose DeepEM, a novel deep 3D ConvNet framework augmented with expectation-maximization (EM), to mine weakly supervised labels in EMRs for pulmonary nodule detection. Experimental results show that DeepEM can lead to 1.5\% and 3.9\% average improvement in free-response receiver operating characteristic (FROC) scores on LUNA16 and Tianchi datasets, respectively, demonstrating the utility of incomplete information in EMRs for improving deep learning algorithms.\footnote{https://github.com/uci-cbcl/DeepEM-for-Weakly-Supervised-Detection.git}

研究の動機と目的

• 深層学習モデルの学習に必要なアノテート済み医療画像データが限られているという課題に対処すること。
• 正確な結節アノテーションがなく、部分的な診断情報しか含まないが、豊富に存在する弱教師付き電子カルテ（EMR）を活用すること。
• 追加の専門家アノテーションを必要とせず、EMRから得られる弱ラベルのみを用いて検出性能を向上させる手法を開発すること。
• 潜在変数モデリングとEM最適化を用いて、不完全な臨床データを活用する3次元畳み込みネットワークのエンドツーエンド学習を可能にすること。
• EMRからの弱教師付き学習が、標準ベンチマークにおいて検出性能を顕著に向上させられることを実証すること。

提案手法

• 結節候補を潜在変数としてモデル化し、EM最適化を用いてそれらの後部確率とネットワークパラメータを同時に推定する。
• 結節中心スライスの空間的分布を半ガウス分布で表現し、そのパラメータをEMRデータから学習する。
• EMRからの弱ラベルを用いて、特定の肺葉に結節が存在する確率をロジスティック回帰でモデル化する。
• Eステップでは、最大後部確率（MAP）推定またはモンテカルロサンプリングを用いて候補の後部確率を計算する。
• Mステップでは、推定された候補確率を用いてFaster R-CNNおよびロジスティック回帰のパラメータを更新する。
• 画像特徴とEMRからの弱教師付き情報の両方を組み合わせた統合尤度目的関数を用いて、フレームワーク全体をエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 電子カルテ（EMR）から得られる弱ラベルデータを、3次元CTスキャンにおける肺結節検出に効果的に活用できるか？
• RQ2 EM最適化を用いて結節候補を潜在変数としてモデル化することで、完全教師付きベースラインと比較して検出性能がどのように向上するか？
• RQ3 EMフレームワークにおけるMAP推定とサンプリングベース推定のどちらが結節候補推定において相対的に高い影響を及ぼすか？
• RQ4 追加の専門家アノテーションを一切不要として、EMRからの弱教師付き情報がホールドアウトテストセットにおける一般化性能をどの程度向上できるか？
• RQ5 提案されたDeepEMフレームワークは、アノテーションデータが限られている他の医療画像分野のタスクへも一般化可能か？

主な発見

• サンプリングベース推定を用いたDeepEMは、弱教師付きEMRデータを用いた場合、LUNA16データセットでFaster R-CNNを1.5%上回る平均FROCスコアを達成した。
• Tianchiホールドアウトテストセットでは、サンプリングを用いたDeepEMがFaster R-CNNベースラインを3.9%上回る平均FROCスコアを達成した。
• MAP推定バージョンのDeepEMはLUNA16でFROCを1.3%向上させ、弱教師付き学習による一貫した向上を示した。
• 可視化比較では、DeepEMがFaster R-CNNよりも正確な結節中心位置の特定とよりタイトな直径推定を実現していることが明らかになった。
• サンプリングベース推定戦略がMAPを上回ったのは、最適化中に局所最適解から脱出できる能力があるためと考えられる。
• 結果から、不完全ではあるが適切にモデリングされたEMR由来の弱ラベルが、医療画像分野における深層学習モデルの性能向上に顕著に寄与することが裏付けられた。