[論文レビュー] Fibro-CoSANet: Pulmonary Fibrosis Prognosis Prediction using a Convolutional Self Attention Network

Zabir Al Nazi, Fazla Rabbi Mashrur+2 more|arXiv (Cornell University)|Apr 13, 2021

Interstitial Lung Diseases and Idiopathic Pulmonary Fibrosis参考文献 27被引用数 26

ひとこと要約

Fibro-CoSANet は、胸郭CT画像と人口統計データを統合することで、線維化肺症の予後を予測するエンドツーエンドのマルチモodal畳み込み自己注意ネットワークである。単一のCTスライス、肺容量推定、および注意強化型特徴精錬を用いることで、OSICデータセットにおいて -6.68 の新しい最先端の修正ラプラス対数尤度スコアを達成し、高い効率性と正確性でFVC低下勾配を予測する。

ABSTRACT

Idiopathic pulmonary fibrosis (IPF) is a restrictive interstitial lung disease that causes lung function decline by lung tissue scarring. Although lung function decline is assessed by the forced vital capacity (FVC), determining the accurate progression of IPF remains a challenge. To address this challenge, we proposed Fibro-CoSANet, a novel end-to-end multi-modal learning-based approach, to predict the FVC decline. Fibro-CoSANet utilized CT images and demographic information in convolutional neural network frameworks with a stacked attention layer. Extensive experiments on the OSIC Pulmonary Fibrosis Progression Dataset demonstrated the superiority of our proposed Fibro-CoSANet by achieving the new state-of-the-art modified Laplace Log-Likelihood score of -6.68. This network may benefit research areas concerned with designing networks to improve the prognostic accuracy of IPF. The source-code for Fibro-CoSANet is available at: \url{https://github.com/zabir-nabil/Fibro-CoSANet}.

研究の動機と目的

• 医療画像と臨床データを用いて特発性肺線維化症（IPF）の予後予測の正確性を向上させること。
• 変動するIPF進行を扱う挑戦に応えるために、強固なエンドツーエンド学習フレームワークを開発すること。
• 畳み込み特徴の上にスタックされた自己注意機構を統合することで、CT画像内の特徴表現を向上させること。
• 完全なトレース回帰とは異なり、FVC低下を線形トレンド予測としてモデル化することで、計算コストを低減すること。
• IPF予後予測における、深層画像特徴と浅い人口統計特徴のマルチモーダル統合の有効性を示すこと。

提案手法

• Fibro-CoSANet は、1人の患者ごとにランダムに選択された1枚のCTスライスを畳み込みニューラルネットワーク（CNN）バックボーンの入力として使用する。
• 全利用可能なCTスキャンから肺容量を推定し、マルチモーダル統合のための浅いグローバル特徴として用いる。
• 年齢、性別、喫煙状態などの人口統計的特徴を正規化し、CNN処理済みのCT特徴と連結する。
• 融合特徴にスタックされた自己注意層を適用し、関連する肺領域への注目を強化し、表現を向上させる。
• 線形事前分布の仮定を用いてFVCトレンドの勾配を予測することで、完全な回帰と比較して複雑性を低減する。
• SVDベースのFVC勾配計算から導出された擬似ラベルを用いて、平均二乗誤差損失でモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 単一のCTスライスに加え、人口統計データと自己注意を組み合わせることで、全スキャンまたは複数スライスアプローチと比較してFVC進行予測が向上するか？
• RQ2 CNN特徴の上に自己注意層をスタックすることで、IPF予後予測のパフォーマンスが向上するか？
• RQ3 FVC勾配に線形事前分布の仮定を適用することで、複雑な回帰モデルと同等または優れた結果が得られ、計算コストを低く抑えられるか？
• RQ4 画像特徴と人口統計特徴のマルチモーダル統合は、IPF予後予測におけるモデルの汎化性能とロバスト性にどのように影響するか？
• RQ5 OSICデータセットのような低データ環境において、モデルの複雑さとパフォーマンスの最適なバランスは何か？

主な発見

• Fibro-CoSANet は、OSIC肺線維化症進行データセットにおいて、-6.68 の新しい最先端の修正ラプラス対数尤度スコアを達成し、先行手法を上回った。
• スタックされた自己注意モジュールを備えたEfficientNet-B2バックボーンが最良のパフォーマンスを示し、スコアは -6.68 ± 0.31、RMSE は 181.5 ± 25.88 を達成した。
• ResNet-50 および EfficientNet-B2 に注意層を適用した場合、より深いResNetと比較して優れた結果を示し、小さなデータセットでは過学習のリスクが顕在していることが示唆された。
• 単一のCTスライスに加え肺容量推定を用いることで、推論時間と計算コストが削減されたが、高い正確性を維持した。
• EfficientNet-B0 は計算複雑度が最も低かった（0.07 GMacs、4.05Mパラメータ）が、性能が低かったため、データサイズに応じたモデル容量のバランスが重要であることが示された。
• 自己注意モジュールの追加により、EfficientNet-B1、B2、B3、B4およびResNet-50を含む大多数のバックボーンでパフォーマンスが向上し、特徴精錬におけるその価値が確認された。