[論文レビュー] Detecting hip fractures with radiologist-level performance using deep neural networks

William A. Gale, Luke Oakden‐Rayner+3 more|arXiv (Cornell University)|Nov 17, 2017

Hip and Femur Fractures参考文献 10被引用数 54

ひとこと要約

DenseNetベースのCNNを用いた深層モデルが正面骨盤X線写真から股関節骨折を検出し、放射線科医レベルの性能を達成。大規模なホールドアウト検証データセットでAUC0.994を達成。

ABSTRACT

We developed an automated deep learning system to detect hip fractures from frontal pelvic x-rays, an important and common radiological task. Our system was trained on a decade of clinical x-rays (~53,000 studies) and can be applied to clinical data, automatically excluding inappropriate and technically unsatisfactory studies. We demonstrate diagnostic performance equivalent to a human radiologist and an area under the ROC curve of 0.994. Translated to clinical practice, such a system has the potential to increase the efficiency of diagnosis, reduce the need for expensive additional testing, expand access to expert level medical image interpretation, and improve overall patient outcomes.

研究の動機と目的

• 自動化された、正確な股関節骨折検出を促進し、見逃し骨折と画像コストを削減する。
• 現実世界の大規模データセットを活用して堅牢な深層学習パイプラインを訓練する。
• 適切でない検査を除外し、股関節頸部を局在化し、骨折を自動検出するエンドツーエンドシステムを開発する。

提案手法

• 層あたり12の特徴量を持つDenseNet-172 CNNを使用し、パラメータは1.43M。
• 一次骨折存在損失と二次位置損失（頸内/頸外）で訓練する。
• ドロップアウト0.2、ウェイトデカイ1e-5の正則化を含む広範なデータ増強を適用。
• 前処理として3つのCNNを用意：正面骨盤X線を特定するCNN-frontal、股関節頸部を局在化するCNN-bounding、金属インプラントを除外するCNN-metal。
• Adamオプティマイザ（lr=1e-4）、25エポック、バッチサイズ14、PyTorchハードウェア上で訓練；合計約22時間。

実験結果

リサーチクエスチョン

• RQ1 正面骨盤X線写真から股関節骨折を検出する深層学習モデルは放射線科医レベルの精度を達成できるか？
• RQ2 完全自動化パイプラインの性能（AUC、精度、適合率、再現率）は放射線科医の報告と比較してどうか？
• RQ3 股関節頸部の自動局在化が骨折検出性能にどのように影響するか？
• RQ4 データの異質性と前処理がモデルの有効性に与える影響は？

主な発見

Model	Acc	Prec	Rec	F1
放射線科医（推定）	0.99	0.93	0.97	0.95
私たちの結果（高精度）	0.99	0.97	0.92	0.95
私たちの結果（高感度）	0.99	0.92	0.95	0.94

• モデルはホールドアウト検証セットでROC AUC0.994を達成。
• 自動システムは本研究の評価設定下で人間の上限性能と同等またはそれを超える。
• 高精度・高感度の運用点は、指針値として放射線科医の推定と同等の性能を示す。
• 前処理CNNは入力を効果的にフィルタリングし、股関節頸部を局在化し、金属を含むケースを除外することで、頑健な骨折検出を可能にする。
• 最近の自動化アプローチと比較して、DenseNetベースのシステムは同一の検証条件下でより高い精度とF1を示す。