[論文レビュー] PCONet: A Convolutional Neural Network Architecture to Detect Polycystic Ovary Syndrome (PCOS) from Ovarian Ultrasound Images

A. K. M. Salman Hosain, Md Humaion Kabir Mehedi+1 more|arXiv (Cornell University)|Oct 2, 2022

Ovarian function and disorders被引用数 10

ひとこと要約

本稿では、医師が検証済みの339枚の画像からなるテストセットにおいて、98.12%の精度を達成し、微調整されたInceptionV3（96.56%）を上回る、多嚢胞性卵巣症候群（PCOS）を卵巣超音波画像から検出するための軽量畳み込みニューラルネットワーク（CNN）アーキテクチャ、PCONetを提案する。モデルはキュレートされたデータセットで学習され、パrameter数がInceptionV3に比べて著しく少ないにもかかわらず、嚮胞性卵巣の検出においてより高い精度とF1スコアを示し、優れた性能を発揮している。

ABSTRACT

Polycystic Ovary Syndrome (PCOS) is an endrocrinological dysfunction prevalent among women of reproductive age. PCOS is a combination of syndromes caused by an excess of androgens - a group of sex hormones - in women. Syndromes including acne, alopecia, hirsutism, hyperandrogenaemia, oligo-ovulation, etc. are caused by PCOS. It is also a major cause of female infertility. An estimated 15% of reproductive-aged women are affected by PCOS globally. The necessity of detecting PCOS early due to the severity of its deleterious effects cannot be overstated. In this paper, we have developed PCONet - a Convolutional Neural Network (CNN) - to detect polycistic ovary from ovarian ultrasound images. We have also fine tuned InceptionV3 - a pretrained convolutional neural network of 45 layers - by utilizing the transfer learning method to classify polcystic ovarian ultrasound images. We have compared these two models on various quantitative performance evaluation parameters and demonstrated that PCONet is the superior one among these two with an accuracy of 98.12%, whereas the fine tuned InceptionV3 showcased an accuracy of 96.56% on test images.

研究の動機と目的

• 超音波画像からのPCOS検出に焦点を当てたディープラーニングモデルの不足に対処する。これまでの研究の多くは、臨床データテーブルに依存している。
• 卵巣超音波画像における多嚢胞性卵巣の形態を分類することに特化した、新規で軽量なCNNアーキテクチャ、PCONetを開発する。
• 医師がアノテートしたテストセットを用いて、PCONetの性能を微調整されたInceptionV3モデルと、厳密でバイアスのない評価で比較する。
• 不妊症や代謝疾患などの長期的合併症を軽減するため、早期で正確かつ自動的なPCOS検出を可能にする。

提案手法

• PCONetは、卵巣超音波画像分類に最適化された、582,690個の学習可能なパラメータを持つカスタム設計の軽量CNNである。
• モデルは、2名の公認医師が「嚮胞性」または「健康」にラベル付けした、339枚の卵巣超音波画像からなるキュレートされたデータセット上で、エンドツーエンドで学習された。
• データ漏洩を防ぐために、別個のバイアスのないテストセット（189枚の嚮胞性、150枚の健康）が、モデル性能の評価に使用された。
• 事前学習済みのInceptionV3モデル（4800万パラメータ）を、PCOS超音波画像分類タスクに適応させるために微調整した。学習可能なパラメータは4798万個であった。
• 標準指標を用いて性能を評価した：訓練/検証および独立したテストセットにおける、正確度、適合率、再現率、F1スコア、および混同行列。
• 学習率スケジューリングを用いて30エポックで学習を行い、収束性および汎化性能を監視するため、訓練/検証曲線をプロットした。

実験結果

リサーチクエスチョン

• RQ1 カスタム設計の軽量CNNが、InceptionV3のような微調整済み事前学習モデルを上回って、卵巣超音波画像からのPCOS分類において優れた性能を発揮できるか？
• RQ2 独立したテストセットにおいて、PCONetの性能は、正確度、適合率、再現率、F1スコアの観点で、微調整されたInceptionV3と比較してどの程度優れているか？
• RQ3 限られた医療画像データにおいて、より小さいタスク特化型CNNアーキテクチャが、より大きな転移学習モデルよりも優れた汎化性と頑健性を達成できるか？
• RQ4 医師が検証済みのラベル付けが、超音波画像におけるPCOS検出のためのディープラーニングモデルの信頼性をどの程度向上させるか？

主な発見

• PCONetはテスト精度98.12%を達成し、同じテストセットで96.56%の精度を記録した微調整済みInceptionV3を上回った。
• PCONetは嚮胞性卵巣の検出において、InceptionV3（0.94）よりも2%高い適合率（0.96）を示した。
• 健康卵巣分類において、PCONetはF1スコア0.96（InceptionV3は0.95）を達成し、適合率と再現率のバランスが優れていた。
• PCONetはテストセットの189枚の嚮胞性卵巣画像をすべて正しく分類したが、InceptionV3は5枚を誤分類した。これは、PCOS形態に対する感受性が優れていることを示している。
• InceptionV3のパラメータ数の1.2%（582,690 vs. 4800万）しか持たないにもかかわらず、PCONetは著しく高い正確度とより優れた汎化性能を達成した。
• 混同行列の結果、PCONetはInceptionV3よりも合計で5件の誤分類を減らし、嚮胞性予測で5件多く正しく分類し、健康予測で6件少なく正しく分類した。