[論文レビュー] Pneumothorax Segmentation: Deep Learning Image Segmentation to predict Pneumothorax

Karan Jakhar, Avneet Kaur+1 more|arXiv (Cornell University)|Dec 16, 2019

COVID-19 diagnosis using AIMedicine参考文献 25被引用数 22

ひとこと要約

本稿では、チアックX線画像における気胸のセマンティックセグメンテーションのためのU-Netベースの深層学習モデルを提案し、Dice係数84.3%、IoU 82.6%を達成した。これにより、放射線科医による迅速な診断と治療意思決定を支援する、正確でリアルタイムな気胸の検出と局所化が可能になった。

ABSTRACT

Computer vision has shown promising results in medical image processing. Pneumothorax is a deadly condition and if not diagnosed and treated at time then it causes death. It can be diagnosed with chest X-ray images. We need an expert and experienced radiologist to predict whether a person is suffering from pneumothorax or not by looking at the chest X-ray images. Everyone does not have access to such a facility. Moreover, in some cases, we need quick diagnoses. So we propose an image segmentation model to predict and give the output a mask that will assist the doctor in taking this crucial decision. Deep Learning has proved their worth in many areas and outperformed man state-of-the-art models. We want to use the power of these deep learning model to solve this problem. We have used U-net [13] architecture with ResNet [17] as a backbone and achieved promising results. U-net [13] performs very well in medical image processing and semantic segmentation. Our problem falls in the semantic segmentation category.

研究の動機と目的

• チアックX線画像における気胸の早期かつ正確な検出のための自動化された、深層学習ベースのシステムの開発を目的とする。
• セグメンテーションマスクを通じた視覚的解釈可能性を提供することで、専門放射線科医に依存するのを減らし、迅速で展開可能なモデルを提供することを目的とする。
• 手動でのX線画像解釈に一般的に見られる偽陰性率を低減し、診断の正確性を向上させることを目的とする。
• セマンティックセグメンテーションを活用して、肺における気胸の正確な領域を局所化することを目的とする。
• 計算効率が良く、リアルタイムの臨床展開に適したモデルを構築することを目的とする。

提案手法

• アップサンプリング中に空間的詳細を保持するために、スキップ接続を備えたU-Netアーキテクチャが使用された。
• エンコーダーバックボーンとしてResNetが使用され、特徴抽出と学習収束の向上のためImageNetで事前学習された重みが用いられた。
• ネットワークは、バイナリクロスエントロピー損失と、低い初期学習率（0.0001）を用いたAdam最適化手法で訓練された。
• OpenCVを介してデータオーグメンテーションとコントラスト補正が実施され、耐性と一般化性能が向上した。
• ノイズの多い予測をクリーニングし、鋭いセグメンテーションマスクを生成するために、しきい値処理による後処理が施された。
• モデルの評価には、セグメンテーション類似度の標準指標として、Dice係数と交差率（IoU）が用いられた。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのセマンティックセグメンテーションモデルは、チアックX線画像における気胸の正確な局所化が可能か？
• RQ2 U-NetアーキテクチャにおいてResNetをバックボーンとして統合することで、このタスクにおけるセグメンテーション性能がどのように向上するか？
• RQ3 放射線科医による手動読影と比較して、このモデルは偽陰性診断をどの程度低減できるか？
• RQ4 このモデルは、臨床意思決定を支援するための解釈可能なセグメンテーションマスクを生成できるか？
• RQ5 Dice係数とIoUスコアは、この医療画像分野における視覚的セグメンテーション品質とどの程度相関するか？

主な発見

• モデルはDice係数84.3%、IoU 82.6%を達成し、予測マスクと正解マスクとの間の類似度が非常に高いことを示した。
• 事前学習済みResNet重みの使用により、学習が著しく高速化され、セグメンテーション性能が向上した。
• 視覚的結果から、予測マスクが多様な患者症例において、専門家がアノテートした正解マスクと密接に一致していることが確認された。
• しきい値処理による後処理は、ノイズ低減とマスクの鋭さ向上に効果的であり、臨床的解釈性が向上した。
• モデルは優れた一般化性能と耐性を示し、テスト画像全体にわたり一貫した性能を発揮した。
• GPUハードウェア上での効率的な推論のため、リアルタイム展開に適したフレームワークであることが示された。