[論文レビュー] Practical Window Setting Optimization for Medical Image Deep Learning

Hyunkwang Lee, Myeongchan Kim+1 more|arXiv (Cornell University)|Dec 3, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 9被引用数 23

ひとこと要約

本論文では、CT画像の最適なハンズフィールドユニット（HU）ウィンドウ範囲を自動で学習する、トレーニング可能なウィンドウ設定最適化（WSO）モジュールを提案する。この手法は、カスタム活性化関数を備えた1x1畳み込み層を用い、深層学習における医療画像処理の性能を向上させる。病理的所見の可視性を高めることで、全HU範囲や固定ウィンドウ設定で学習したモデルを上回り、シグモイドWSOと二重初期化を用いた場合、ICHで97.6%、結石検出で97.2%のAUCを達成した。

ABSTRACT

The recent advancements in deep learning have allowed for numerous applications in computed tomography (CT), with potential to improve diagnostic accuracy, speed of interpretation, and clinical efficiency. However, the deep learning community has to date neglected window display settings - a key feature of clinical CT interpretation and opportunity for additional optimization. Here we propose a window setting optimization (WSO) module that is fully trainable with convolutional neural networks (CNNs) to find optimal window settings for clinical performance. Our approach was inspired by the method commonly used by practicing radiologists to interpret CT images by adjusting window settings to increase the visualization of certain pathologies. Our approach provides optimal window ranges to enhance the conspicuity of abnormalities, and was used to enable performance enhancement for intracranial hemorrhage and urinary stone detection. On each task, the WSO model outperformed models trained over the full range of Hounsfield unit values in CT images, as well as images windowed with pre-defined settings. The WSO module can be readily applied to any analysis of CT images, and can be further generalized to tasks on other medical imaging modalities.

研究の動機と目的

• 臨床放射線学における重要な役割を果たすにもかかわらず、深層学習におけるウィンドウ設定の活用が不十分であるという問題に対処すること。
• 最適なウィンドウ設定（ウィンドウレベルとウィンドウ幅）を学習可能な、微分可能でエンドツーエンドトレーニング可能なモジュールを構築すること。
• タスク固有のウィンドウ最適化が、固定または全範囲HU入力よりもモデル性能を向上させることを実証すること。
• 本手法を他のCTタスクやMRIやPETなどの他の医療画像モodalitiesへ一般化すること。

提案手法

• WSOモジュールは、可学習な重みとバイアスを持つ1x1畳み込み層を用い、線形またはシグモイドウィンドウ関数を模倣する。
• ウィンドウ関数は $ F_{lin}(x) = \min(\max(Wx + b, 0), U) $ で定義され、$ W = \frac{U}{WW} $、$ b = -\frac{U}{WW}(WL - \frac{WW}{2}) $ であり、微分可能最適化を可能にする。
• シグモイドウィンドウの場合は $ F_{sig}(x) = \frac{U}{1 + e^{-(Wx + b)}} $ で、$ W $ と $ b $ はターゲットのウィンドウレベルと幅から導出される。
• WSOレイヤーは主なCNN（Inception-v3）の前に挿入され、学習中にバックプロパゲーションによりウィンドウパラメータを最適化可能となる。
• WSOパラメータの初期化は、標準的な臨床的ウィンドウ設定（例：'brain'、'subdural'、'bone'、'abdomen'）に基づいて行われ、最適化をガイドする。
• 最適化はAdamオプティマイザを用い、学習率の段階的減少を適用し、検証損失に基づいて最良のモデルを選択する。

実験結果

リサーチクエスチョン

• RQ1 固定または全範囲HU入力と比較して、微分可能で学習可能なウィンドウ設定モジュールがCT画像解析における深層学習性能を向上させられるか？
• RQ2 タスク固有のウィンドウ設定最適化が、頭内出血や尿路結石のような病理的所見の可視性を向上させられるか？
• RQ3 ウィンドウ関数の選択（線形対シグモイド）が、医療画像分類におけるモデル性能に与える影響は何か？
• RQ4 WSOモジュールはCTにとどまらず、他の医療画像モダリティへも一般化可能か？

主な発見

• シグモイドウィンドウと二重初期化を用いたWSOモデルは、頭内出血検出で97.6%のAUCを達成し、最良のベースライン（96.9%）を上回った。
• 尿路結石検出においては、WSOモデルが97.2%のAUCを達成し、次善のベースライン（94.6%）を上回った。
• 標準的な設定（例：'brain'、'subdural'）で事前にウィンドウ処理された画像で学習したモデルは、全HU範囲の画像を使用したモデルを上回った。これはウィンドウ処理の価値を示している。
• シグモイド活性化関数と2つの標準設定からの初期化を組み合わせたWSOモジュールが最も高い性能を示し、複数の事前知識からの初期化が有益であることを示唆した。
• WSOで最適化されたウィンドウ設定により、図3の可視化結果から、出血病変や結石が特徴空間においてより明確に可視化された。
• 本手法は一般化可能であり、物体検出やセグメンテーションなどの他のCTタスク、およびMRIやPETなどの他のモダリティへも応用可能である。