[論文レビュー] Learning to recognize Abnormalities in Chest X-Rays with Location-Aware Dense Networks

Sebastian Guendel, Saša Grbić+5 more|arXiv (Cornell University)|Mar 12, 2018

COVID-19 diagnosis using AI参考文献 7被引用数 40

ひとこと要約

この論文は、高解像度胸部X線画像と空間病理情報を用いた位置情報対応DenseNetであるDNetLocを提案し、ChestX-Ray14でのAUCを最先端に、患者単位の分割を用いたPLCOでも高い結果を達成します。

ABSTRACT

Chest X-ray is the most common medical imaging exam used to assess multiple pathologies. Automated algorithms and tools have the potential to support the reading workflow, improve efficiency, and reduce reading errors. With the availability of large scale data sets, several methods have been proposed to classify pathologies on chest X-ray images. However, most methods report performance based on random image based splitting, ignoring the high probability of the same patient appearing in both training and test set. In addition, most methods fail to explicitly incorporate the spatial information of abnormalities or utilize the high resolution images. We propose a novel approach based on location aware Dense Networks (DNetLoc), whereby we incorporate both high-resolution image data and spatial information for abnormality classification. We evaluate our method on the largest data set reported in the community, containing a total of 86,876 patients and 297,541 chest X-ray images. We achieve (i) the best average AUC score for published training and test splits on the single benchmarking data set (ChestX-Ray14), and (ii) improved AUC scores when the pathology location information is explicitly used. To foster future research we demonstrate the limitations of the current benchmarking setup and provide new reference patient-wise splits for the used data sets. This could support consistent and meaningful benchmarking of future methods on the largest publicly available data sets.

研究の動機と目的

• 放射技師を支援し読影エラーを減らすための自動胸部X線異常検出の動機づけ。
• 患者ごとの分割とベンチマークを用いてデータリークの懸念に対処する。
• 高解像度の入力と明示的な空間定位情報を活用して分類精度を向上させる。
• principledな将来の比較を可能にする大規模公開データセット上で新しい患者ごとのベンチマークを提供する。

提案手法

• 多ラベル分類のためにシグモイド出力を用いるDenseNet-121の変種を使用する。
• Gaussianダウンサンプリングに初期の二つのストライド畳み込み層を介して1024×1024の高解像度入力を組み込む。
• ラベル不均衡に対処するためクラス重み付き二値交差エントロピーを適用する。
• PLCOから選択された病理に対して追加の二値位置ラベルと交差エントロピー損失を用いて空間位置情報を統合する。
• ChestX-Ray14とPLCOを位置情報付きで14+21=35ラベルの単一トレーニングフレームワークに統合する。
• Adam最適化器で学習（lr=1e-3、プラトー時には学習率を減衰）、バッチサイズ128で訓練する。

実験結果

リサーチクエスチョン

• RQ1 空間的位置情報を組み込むことは胸部X線画像の病理分類を改善するか。
• RQ2 高解像度入力で胸部X線異常を学習することの利点は何か。
• RQ3 ChestX-Ray14とPLCOのデータを統合して得られる性能とベンチマーキングへの影響はどうなるか。
• RQ4 患者ごとの分割設定はランダム画像分割よりもより堅牢で公平なベンチマーキングを提供できるか。
• RQ5 位置情報対応モデリングは訓練時間を短縮しつつ精度を向上させる程度はどれほどか。

主な発見

• ChestX-Ray14では公式テスト分割で最良の平均AUCを達成（DNetベースラインの平均AUCは約0.807、 novel splitでは平均AUCが0.841、SD=0.019）。
• PLCOデータセットで位置情報を使用すると、空間ラベルを持つ病理でAUCが向上（平均ゲイン約2.3%）。
• 最終的なPLCOの平均AUCは、位置情報を用いてChestX-Ray14とPLCOデータを結合して訓練した場合0.874に達する。
• 空間ラベリングはNodule, Mass, Granuloma, Infiltrate, Scaring, Fibrosis, Bone/Soft Tissue Lesion, Cardiac Abnormality, Effusionなどの病理ごとのAUCを改善する。
• 位置情報を使用すると訓練時間が約2倍の高速化になる。
• 研究は従来のベンチマークの制限を指摘し、 principled な比較のための新しい患者ごとの分割を提供する。