[論文レビュー] Reinforcement Learning-based Automatic Diagnosis of Acute Appendicitis in Abdominal CT

Walid Abdullah Al, Il Dong Yun+1 more|arXiv (Cornell University)|Sep 2, 2019

Appendicitis Diagnosis and Management被引用数 6

ひとこと要約

本論文は、腹部CTスキャンにおける急性虫垂炎の自動診断のための強化学習（RL）誘導型、低エントロピー領域（RLE）ベースのフレームワークを提案する。まずRLを用いてアプローチを局所化し、検索空間を縮小した後、局所化された領域周辺の小さなパッチに3次元畳み込みニューラルネットワーク（3D CNN）を適用して分類し、最後にスコアマップに対してRLE検出を実行することで耐性を高める。この手法は、特に局所化誤差が生じる状況下でも、標準的なCNN手法に比べて顕著に高い精度を達成する。

ABSTRACT

Acute appendicitis characterized by a painful inflammation of the vermiform appendix is one of the most common surgical emergencies. Localizing the appendix is challenging due to its unclear anatomy amidst the complex colon-structure as observed in the conventional CT views, resulting in a time-consuming diagnosis. End-to-end learning of a convolutional neural network (CNN) is also not likely to be useful because of the negligible size of the appendix compared with the abdominal CT volume. With no prior computational approaches to the best of our knowledge, we propose the first computerized automation for acute appendicitis diagnosis. In our approach, we utilize a reinforcement learning agent deployed in the lower abdominal region to obtain the appendix location first to reduce the search space for diagnosis. Then, we obtain the classification scores (i.e., the likelihood of acute appendicitis) for the local neighborhood around the localized position, using a CNN trained only on a small appendix patch per volume. From the spatial representation of the resultant scores, we finally define a region of low-entropy (RLE) to choose the optimal diagnosis score, which helps improve the classification accuracy showing robustness even under high appendix localization error cases. In our experiment with 319 abdominal CT volumes, the proposed RLE-based decision with prior localization showed significant improvement over the standard CNN-based diagnosis approaches.

研究の動機と目的

• 複雑な大腸の解剖的特徴により、アプローチが小さく、局所化が困難なため、腹部CTにおける急性虫垂炎の自動診断の課題に対処すること。
• 全ボリュームに比べてアプローチのサイズが極めて小さいため、エンドツーエンドのCNNでは困難な課題を克服すること。
• RLによる局所化とRLEによる耐性のある分類意思決定を組み合わせた、計算効率に優れた新規フレームワークの開発。
• 手動で選択されたROIに依存するのを減らし、下腹部におけるRLを用いた局所化プロセスを自動化すること。
• 分類スコアマップにおける低エントロピー領域に注目することで診断精度を向上させ、局所化誤差への耐性を高めること。

提案手法

• 3次元CTボリュームの下腹部領域において、アプローチを局所化するためのRLエージェントを訓練し、その後の分類に向けた検索空間を著しく縮小する。
• 各ボリュームごとに、RLが予測した位置の周辺の小さなパッチレベルのサンプルに対して、3D CNNを微調整し、アプローチ炎の確率（スコア）を生成する。
• 分類スコアを空間スコアマップに集約し、そのマップを用いてエントロピー・マップを計算し、低エントロピー領域（RLE）を特定する。
• エントロピー・マップにおけるRLEの局所的最小値を検出することで、ノイズを低減し、耐性を高めた最適な診断スコアを選択する。
• 空間的に密な推論を可能にするために、ネットワークを完全結合（FC）アーキテクチャから完全畳み込みネットワーク（FCN）に変換し、スライディング・ウィンドウ推論によるアップサンプリングでスコアマップを再構築する。
• 計算コストを低減するため、全512のアップサンプリングに代わり、64回のFCN推論（6倍アップサンプリング）を用いる。6倍アップサンプリングで十分にRLE検出が可能であるため。

実験結果

リサーチクエスチョン

• RQ1 強化学習は、腹部CTスキャンにおけるアプローチの局所化に有効に機能し、診断のための検索空間を縮小できるか？
• RQ2 最小限のアプローチサンプルに基づいてトレーニングされたパッチベースの3D CNN分類器は、局所化された領域に集中することで、信頼性のある分類を達成できるか？
• RQ3 分類スコアマップにおける低エントロピー領域（RLE）の特定が、診断精度と局所化誤差への耐性を向上させるか？
• RQ4 提案されたRLEベースの意思決定メカニズムは、標準的なCNNベースの分類と比較して、精度と安定性の面で優れているか？
• RQ5 部分的アップサンプリングを伴う完全畳み込みネットワーク（FCN）への変換により、過度な計算コストを伴わずに、RLE検出に十分な空間分解能を維持できるか？

主な発見

• 提案されたRLEベースの意思決定メカニズムは、標準的なCNN手法に比べて顕著に分類精度を向上させた。特に、高い局所化誤差が生じる状況下で顕著であった。
• RL誘導型の局所化により、診断のための検索空間が縮小され、アプローチに特化した小さなパッチを効率的かつ的確に分類可能となった。
• スコアマップにおける低エントロピー領域（RLE）の利用により、最も信頼性の高い診断意思決定ポイントを特定でき、ノイズや不確実な予測への感受性が低減した。
• 6倍アップサンプリング（64回の推論）を用いたFCN変換により、RLE検出に適した空間分解能と計算コストのバランスが良好に達成された。
• 本手法は、RLエージェントの予測位置が真のアプローチ位置からずれた場合でも、高い性能を維持するという耐性を示した。
• 本フレームワークは、RLベースの局所化とエントロピーに基づく意思決定の最適化を統合した、急性虫垂炎の自動診断における最初の計算的手法である。