[論文レビュー] Self-Guided Multiple Instance Learning for Weakly Supervised Disease Classification and Localization in Chest Radiographs

Constantin Seibold, Jens Kleesiek+2 more|arXiv (Cornell University)|Sep 30, 2020

COVID-19 diagnosis using AI参考文献 52被引用数 5

ひとこと要約

本稿では、ネットワーク自身の予測から動的で信頼度を考慮したインスタンスレベルの監視を生成することにより、胸部X線における弱教師付き疾患分類および局在化を向上させる自己ガイド付き多重インスタンス学習（SGL）損失を提案する。特徴マップを前景、背景、曇った領域に分離することで、アーキテクチャの変更なしにNIH ChestX-ray14およびMIL特化ベンチマークにおいて最先端のベースラインを上回る局在化精度と分類精度が向上する。

ABSTRACT

The lack of fine-grained annotations hinders the deployment of automated diagnosis systems, which require human-interpretable justification for their decision process. In this paper, we address the problem of weakly supervised identification and localization of abnormalities in chest radiographs. To that end, we introduce a novel loss function for training convolutional neural networks increasing the \emph{localization confidence} and assisting the overall \emph{disease identification}. The loss leverages both image- and patch-level predictions to generate auxiliary supervision. Rather than forming strictly binary from the predictions as done in previous loss formulations, we create targets in a more customized manner, which allows the loss to account for possible misclassification. We show that the supervision provided within the proposed learning scheme leads to better performance and more precise predictions on prevalent datasets for multiple-instance learning as well as on the NIH~ChestX-Ray14 benchmark for disease recognition than previously used losses.

研究の動機と目的

• 微細なアノテーションが不足するため、胸部レントゲン画像における弱教師付き局在化の課題に対処すること。
• 画像レベルのラベルのみを用いて、疾患分類および局在化性能を向上させること。
• アーキテクチャの変更なしに、内部ネットワーク予測を活用して補助的監視を生成する損失関数を開発すること。
• 特徴マップ内の高信頼度領域、曇った領域、背景領域を区別することで、より正確で信頼性の高い局在化を実現すること。

提案手法

• 本手法は二段階の訓練プロセスを導入する：第一に、標準的なバッグレベル分類；第二に、インスタンスレベル予測を用いた自己教師的リファインメント。
• ネットワークの特徴マップ予測を三つの領域に分割する：前景（高信頼度の正例）、背景（高信頼度の負例）、曇った領域（低信頼度）。
• 信頼度重み付きのターゲットをこれらの領域に割り当てる新しい損失関数を設計し、ネットワークが動的監視を通じて自己ガイドするのを可能にする。
• 損失関数は厳密な二値ターゲットを避けることで不確実性を組み込み、訓練中の誤分類リスクのより良い取り扱いを可能にする。
• 局在化評価のため、最近接隣接法によるアップサンプリングを用いてピーク活性化領域からバウンディングボックスを生成する。
• 本手法は任意の完全畳み込み型MILフレームワークと互換性があり、追加のネットワークや後処理を必要としない。

実験結果

リサーチクエスチョン

• RQ1 追加のアノテーションなしに、自己生成のインスタンスレベル監視が胸部X線における弱教師付き局在化を改善できるか？
• RQ2 前景、背景、曇った領域への信頼度を考慮した領域分割は、標準的なMIL損失と比較して局在化精度にどのように影響するか？
• RQ3 NIH ChestX-ray14ベンチマークにおいて、自己ガイド損失は最先端の手法と比較して分類および局在化性能をどの程度向上できるか？
• RQ4 追加のバウンディングボックス監視やアーキテクチャの変更を用いたベースラインでさえ、本手法の損失が優れているか？

主な発見

• 提案されたSGL損失は、NIH ChestX-ray14においてIoU閾値0.5での平均疾患局在化精度が0.66を達成し、Wangら[6]（0.63）およびLiら[21]*（0.73）を上回る平均性能を示した。
• 同じベンチマークにおいて、SGLは競争力のある分類AUCスコアを達成し、14疾患すべてにおいてWangら[6]のベースラインであるResNet-50を上回った。
• 最も挑戦的なIoU閾値（0.7）では、SGLは0.01の平均局在化精度を達成し、Wangら[6]（0.01）を上回り、最も高い性能を示したLiuら[22]と同等の性能を示した。
• 定性的な結果から、SGLは平均プーリングベースラインと比較して、より正確で明確な予測を生成しており、異常組織と健全な組織を明確に分離している。
• NIH ChestX-ray14データセットにおいて、SGLはLiら[21]*およびLiuら[22]と比較して14疾患のうち9疾患で優れた性能を示し、強力な一般化能力を示した。
• 自己ガイド損失は、視覚化において病変の周囲によりタイトで正確なバウンディングボックスを生成することで、より自信を持って局在化された予測をもたらす。