[論文レビュー] Knee Injury Detection using MRI with Efficiently-Layered Network (ELNet)

Chen‐Han Tsai, Nahum Kiryati+3 more|arXiv (Cornell University)|May 6, 2020

Advanced Neural Network Applications参考文献 13被引用数 15

ひとこと要約

本稿では、マルチスライス正規化とBlurPoolを用いて特徴抽出を向上させた、スライスごとの正規化を施した軽量でエンドツーエンドの畳み込みニューラルネットワーク（ELNet）を提案する。ELNetは、単一のMRIスタック（axialまたはcoronal）を用いて、MRNetデータセットで最先端の性能を達成し、MRNetを上回る主要な指標を満たし、局所化の教師なしで損傷部位を特定可能であり、臨床現場への導入に適した1MB未満のモデルサイズを実現した。

ABSTRACT

Magnetic Resonance Imaging (MRI) is a widely-accepted imaging technique for knee injury analysis. Its advantage of capturing knee structure in three dimensions makes it the ideal tool for radiologists to locate potential tears in the knee. In order to better confront the ever growing workload of musculoskeletal (MSK) radiologists, automated tools for patients' triage are becoming a real need, reducing delays in the reading of pathological cases. In this work, we present the Efficiently-Layered Network (ELNet), a convolutional neural network (CNN) architecture optimized for the task of initial knee MRI diagnosis for triage. Unlike past approaches, we train ELNet from scratch instead of using a transfer-learning approach. The proposed method is validated quantitatively and qualitatively, and compares favorably against state-of-the-art MRNet while using a single imaging stack (axial or coronal) as input. Additionally, we demonstrate our model's capability to locate tears in the knee despite the absence of localization information during training. Lastly, the proposed model is extremely lightweight ($

研究の動機と目的

• 整形外科レントゲン診断医の増加する負担に対処するため、膝MRIの自動トリアージシステムを開発すること。
• 微調整なしでスクラッチから訓練可能な、軽量で効率的なディーブラーニングモデルを構築すること。
• 単一のMRIイメージングスタック（axialまたはcoronal）のみを用いて、ACLおよび半月板損傷の正確な検出を可能にすること。
• トレーニング時にボクシングボックスのアノテーションを必要とせずに、膝の損傷部位を局所化できること。
• 最小限の計算リソースを要する実臨床現場での導入に適したモデルを設計すること。

提案手法

• ELNetは、スライス間の安定性を高めるためにマルチスライス正規化を組み込んだ、残留接続に基づく新規なバックボーンアーキテクチャを採用している。
• 空間的ダウンサンプリングの際のアリヤシングを低減し、特徴品質を維持するために、マックスプーリングの代わりにBlurPoolを採用している。
• 各ブロックは2次元畳み込み、マルチスライス正規化、ReLU、およびスキップ接続から構成され、深層学習を可能にしている。
• ネットワークは各MRIスライスを個別に処理し、スライス方向に1次元のマックスプーリングを適用して特徴を1つの16K次元のベクトルに集約している。
• 最終的な全結合層にドロップアウトとソフトマックスを適用し、ACL損傷、半月板損傷、異常に関するバイナリ分類出力を得ている。
• 交差エントロピー損失を用いてエンドツーエンドでスクラッチから訓練し、Adamによる最適化が行われている。

実験結果

リサーチクエスチョン

• RQ1 スクラッチから訓練したディーブラーニングモデルは、微調整ベースのモデルを上回る性能を発揮できるか？
• RQ2 マルチスライス正規化は、バッチ正規化と比較してマルチスライスMRI分類において性能を向上させるか？
• RQ3 BlurPoolは、マックスプーリングと比較して、膝MRI解析における特徴表現とモデルのロバスト性を向上させるか？
• RQ4 局所化の教師なしでトレーニングしたモデルは、膝の損傷部位を正確に局所化できるか？
• RQ5 単一スライス入力モデルは、MRNetのようなマルチスタックモデルと同等の性能を達成できるか？

主な発見

• ELNetはMRNetデータセットにおいて、半月板損傷のAUCが0.904、ACL損傷が0.960、全異常検出が0.941を記録し、元のMRNetを上回った。
• MCC（マシューフェアコefficient）は、半月板損傷で0.745、ACL損傷で0.815、異常検出で0.736を記録し、分類性能が優れていることが示された。
• マルチスライス正規化とBlurPoolを組み合わせたELNetは、バッチ正規化やマックスプーリングを用いたあらゆるアブレーションバリアントを上回った。
• ACL損傷の9例中8例において、ELNetは放射線科医の評価と一致する最も情報量の多いスライスと損傷部位を正しく特定した。
• ACL損傷なしの7例すべてにおいて、ELNetが予測した最も情報量の多いスライスと部位は、放射線科医の評価と一致した。
• 最終的なモデルサイズは1MB未満であり、計算リソースが限られた臨床現場への導入に非常に適している。