[論文レビュー] Long-Bone Fracture Detection using Artificial Neural Networks based on Contour Features of X-ray Images

Alice Yi Yang, Ling Cheng|arXiv (Cornell University)|Feb 21, 2019

AI in cancer detection参考文献 16被引用数 12

ひとこと要約

本論文は、勾配の出現回数や0°勾配に基づく領域分離を含む19の抽出されたホロニクス特徴を用いて、X線画像における長骨骨折検出のための2つのホロニクスベースの人工ニューラルネットワーク（ANN）方式—標準版および改良版のホロニクスヒストグラム特徴ベース（CHFB）—を提案する。改良版CHFB方式は皮膚の輪郭を除外するが、平均正答率82.98%、AUC 0.8275を達成し、感度と偽陰性の制御面で標準版を上回る性能を示した。

ABSTRACT

The following paper proposes two contour-based fracture detection schemes. The development of the contour-based fracture is based on the line-based fracture detection schemes proposed in arXiv:1902.07458. Existing Computer Aided Diagnosis (CAD) systems commonly employs Convolutional Neural Networks (CNN), although the cost to obtain a high accuracy is the amount of training data required. The purpose of the proposed schemes is to obtain a high classification accuracy with a reduced number of training data through the use of detected contours in X-ray images. There are two contour-based fracture detection schemes. The first is the Standard Contour Histogram Feature-Based (CHFB) and the second is the improved CHFB scheme. The difference between the two schemes is the removal of the surrounding detected flesh contours from the leg region in the improved CHFB scheme. The flesh contours are automatically classified as non-fractures. The contours are further refined to give a precise representation of the image edge objects. A total of 19 features are extracted from each refined contour. 8 out of the 19 features are based on the number of occurrences for particular detected gradients in the contour. Moreover, the occurrence of the 0-degree gradient in the contours are employed for the separation of the knee, leg and foot region. The features are a summary representation of the contour, in which it is used as inputs into the Artificial Neural Network (ANN). Both Standard CHFB and improved CHFB schemes are evaluated with the same experimental set-ups. The average system accuracy for the Standard CHFB scheme is 80.7%, whilst the improved CHFB scheme has an average accuracy of 82.98%. Additionally, the hierarchical clustering technique is adopted to highlight the fractured region within the X-ray image, using extracted 0-degree gradients from fractured contours.

研究の動機と目的

• 医療用X線画像における骨折検出のための訓練データセットの大型化に依存しないようにするため、生のピxlsデータの代わりにホロニクス特徴を活用すること。
• 最小限のデータ要件で、人工ニューラルネットワークを用いた骨折検出の分類精度と感度を向上させること。
• エッジ表現の精緻化と不要な軟部組織の輪郭の除去により、骨折ありと非骨折の輪郭を区別すること。
• 検出された輪郭からの0°勾配特徴の階層的クラスタリングを用いて、骨折領域の視覚的局在化を向上させること。
• 臨床現場において極めて重要な偽陰性の最小化を、特徴選択およびクラスタリング戦略の最適化によって達成すること。

提案手法

• エッジ検出を用いてX線画像からホロニクスを抽出し、重複または不要な点を除去するように精緻化する。
• 各ホロニクスから19の特徴を抽出し、特に0°勾配の周波数を含む、特定の勾配方向の頻度を用いて膝、脚、足などの解剖的領域を同定する。
• 主成分分析（PCA）を適用し、骨折ありと非骨折のホロニクスを最も効果的に区別する主要特徴を同定する。
• ホロニクス特徴を用いて人工ニューラルネットワーク（ANN）を訓練し、各ホロニクスを骨折ありまたは非骨折ありとして分類する。
• 検出された骨折ホロニクスからの0°勾配点を用いて階層的クラスタリングを実施し、画像内での骨折領域を強調・局在化する。
• 一般化性能をテストするため、画像文脈を反映したホロニクスと、ランダムに選択された文脈なしホロニクスの2つの評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 ホロニクスベースの特徴抽出は、X線画像における骨折検出モデルの訓練に必要なデータ量を削減できるか？
• RQ2 非骨（皮膚）ホロニクスの除去は、ANNベースの骨折検出システムの性能と感度をどのように向上させるか？
• RQ3 ホロニクス内の0°勾配特徴は、階層的クラスタリングを用いて骨折領域の局在化にどの程度寄与するか？
• RQ4 ホロニクス分類時に画像文脈を組み込むと、システム全体の正答率と頑健性にどのような影響を与えるか？
• RQ5 ホロニクスベースのANNシステムにおいて、特異性や全体の正答率を損なわずに偽陰性率を最小化できるか？

主な発見

• 改良版CHFB方式は、両方の評価で標準CHFB方式の80.7%を上回る平均正答率82.98%を達成した。
• 改良版CHFB方式は、偽陰性：偽陽性比が1:0.94と、標準方式の1:0.71に比べて優れた感度を示した。
• 改良版CHFB方式はAUC 0.8275を記録し、標準方式のAUC 0.8225をわずかに上回り、真陽性の検出性能が優れていることを示した。
• 改良版CHFB方式の最大正答率は89.07%に達しており、より洗練されたラベル付けによるさらなる改善の可能性を示唆している。
• 0°勾配点の階層的クラスタリングは、骨折領域を効果的に強調したが、ホロニクスベースの局在化のみでは非骨折領域へ過剰に拡張するため、不十分であった。
• 改良版では偽陽性が減少したが、偽陰性は依然として課題であり、特徴選択およびクラスタリングのレベル適応の見直しが必要であることを示唆している。