[論文レビュー] Identification of lung nodules CT scan using YOLOv5 based on convolution neural network

Haytham Al Ewaidat, Youness El Brag|arXiv (Cornell University)|Dec 31, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 6

ひとこと要約

本研究では、LIDC-IDRIデータセットを用いて、CTスキャンにおける肺結節の自動検出を目的としたYOLOv5ベースの深層学習モデルを提案する。239例のCTスキャン（280個のアノテート済み結節）で訓練されたモデルは、平均平均精度（mAP）92.27％を達成し、肺結節の局所化および分類において高い正確性を示しており、早期肺がんの診断を向上させる第二読影者ツールとしての可能性を裏付けている。

ABSTRACT

Purpose: The lung nodules localization in CT scan images is the most difficult task due to the complexity of the arbitrariness of shape, size, and texture of lung nodules. This is a challenge to be faced when coming to developing different solutions to improve detection systems. the deep learning approach showed promising results by using convolutional neural network (CNN), especially for image recognition and it's one of the most used algorithm in computer vision. Approach: we use (CNN) building blocks based on YOLOv5 (you only look once) to learn the features representations for nodule detection labels, in this paper, we introduce a method for detecting lung cancer localization. Chest X-rays and low-dose computed tomography are also possible screening methods, When it comes to recognizing nodules in radiography, computer-aided diagnostic (CAD) system based on (CNN) have demonstrated their worth. One-stage detector YOLOv5 trained on 280 annotated CT SCAN from a public dataset LIDC-IDRI based on segmented pulmonary nodules. Results: we analyze the predictions performance of the lung nodule locations, and demarcates the relevant CT scan regions. In lung nodule localization the accuracy is measured as mean average precision (mAP). the mAP takes into account how well the bounding boxes are fitting the labels as well as how accurate the predicted classes for those bounding boxes, the accuracy we got 92.27%. Conclusion: this study was to identify the nodule that were developing in the lungs of the participants. It was difficult to find information on lung nodules in medical literature.

研究の動機と目的

• 低線量CTスキャンにおける肺結節の検出を支援する、自動化された深層学習ベースのシステムの開発を目的とする。
• 小さな、目立たない、または形状が複雑な結節による放射線科医主導の結節スクリーニングにおける作業負荷の高さと誤差率の問題を解決することを目的とする。
• YOLOv5の1段階オブジェクト検出フレームワークを活用し、公開医療画像データセット上で、検出精度を向上させ、誤って陰性と判定されるケース（ファルスネガティブ）を低減することを目的とする。
• 標準的な指標（mAP、精度、再現率）を用いてモデルの性能を評価し、臨床的意義を確認することを目的とする。
• AIを第二読影者としてのツールとして活用する可能性を検討し、特に経験の浅い放射線科医が早期肺がんの結節を同定するのを支援することを目的とする。

提案手法

• 本研究では、転移学習アプローチを用いて、YOLOv5（1段階オブジェクト検出モデル）を用いて、軸方向CTスライスにおける肺結節を同定する。
• モデルは、LIDC-IDRIデータセットの239例のCTスキャン（280個のアノテート済み結節）を用いて訓練され、データ拡張およびクラスのバランシング技術が適用された。
• 特徴抽出は、YOLOv5内の畳み込みニューラルネットワーク（CNN）ブロックを介して行われ、結節の階層的な空間的およびテクスチャ的表現を学習する。
• ハイパーパramータチューニングが実施され、バッチサイズ（16）、入力画像サイズ（416×416）、学習率（0.01）、最適化手法（SGD）を145エポックにわたり最適化された。
• トレーニングとバリデーションは、Google ColabのGPU（Tesla K80）上でPyTorchを用いて実施され、ボックス回帰とオブジェクト存在の信頼度を最適化する損失関数が使用された。
• 検出性能と一般化能力を評価するために、mAP、精度、再現率、F1スコアなどの評価指標が算出された。

実験結果

リサーチクエスチョン

• RQ1 YOLOv5ベースのモデルは、低線量CTスキャンにおける肺結節検出で高いmAPを達成できるか？
• RQ2 特に小さなまたは目立たない結節において、モデルの性能は放射線科医の読影結果と比較して、精度と再現率でどのように差がでるか？
• RQ3 早期肺がんスクリーニングにおいて、モデルは誤って陰性と判定されるケース（ファルスネガティブ）をどの程度低減し、検出感度を向上させられるか？
• RQ4 実際のCTデータにおける多様な結節の形状、サイズ、テクスチャにわたって、モデルは一般化性能を示せるか？
• RQ5 モデルは、経験の浅い放射線科医が結節検出を支援するための効果的な第二読影者ツールとして機能できるか？

主な発見

• モデルは平均平均精度（mAP）92.27％を達成し、CTスキャンにおける肺結節の局所化および分類の正確性が非常に高いことを示している。
• 精度は92.82％に達し、真陽性の検出が信頼性高く正確に特定され、誤検出（ファルスポジティブ）が最小限に抑えられていることを示している。
• F1スコアおよび精度-再現率曲線の分析から、精度と再現率のバランスの取れた妥当なトレードオフが確認され、信頼度しきい値0.5で最適な性能が得られた。
• ボックス回帰およびオブジェクト存在の信頼度の両方のトレーニング損失とバリデーション損失が、145エポックにわたり安定して低下し、収束性と良好な一般化性能が示された。
• 小さな結節および低コントラストの結節においても、モデルの検出性能が向上しており、早期がんの診断における潜在的な利点が示唆された。
• 結果から、AIモデルは経験の浅い放射線科医が診断漏れを減らし、再現率を向上させる支援として、有効に機能できる可能性がある。