[論文レビュー] Semi-supervised Learning for Quantification of Pulmonary Edema in Chest X-Ray Images

Ruizhi Liao, Jonathan Rubin+6 more|arXiv (Cornell University)|Feb 27, 2019

COVID-19 diagnosis using AI参考文献 13被引用数 7

ひとこと要約

本論文は、33万枚の臨床的データセットから6,000枚のラベル付き画像のみを用いて、胸部X線画像における肺水腫の重症度を定量化する半教師付きベイジアンモデルを提案する。ラベル付きおよびラベルなしデータからのコン act な潜在表現を学習することで、教師あり学習、エントロピー最小化、マルチVAEアプローチと比較して、著しく低い平均二乗誤差と真値との高い相関を達成した。

ABSTRACT

We propose and demonstrate machine learning algorithms to assess the severity of pulmonary edema in chest x-ray images of congestive heart failure patients. Accurate assessment of pulmonary edema in heart failure is critical when making treatment and disposition decisions. Our work is grounded in a large-scale clinical dataset of over 300,000 x-ray images with associated radiology reports. While edema severity labels can be extracted unambiguously from a small fraction of the radiology reports, accurate annotation is challenging in most cases. To take advantage of the unlabeled images, we develop a Bayesian model that includes a variational auto-encoder for learning a latent representation from the entire image set trained jointly with a regressor that employs this representation for predicting pulmonary edema severity. Our experimental results suggest that modeling the distribution of images jointly with the limited labels improves the accuracy of pulmonary edema scoring compared to a strictly supervised approach. To the best of our knowledge, this is the first attempt to employ machine learning algorithms to automatically and quantitatively assess the severity of pulmonary edema in chest x-ray images.

研究の動機と目的

• 心不全における重要なが微細な臨床的マーカーである胸部X線画像における肺水腫の重症度を正確に定量化する機械学習手法の開発を目的とする。
• ラベル付き医療画像が限られているという課題に対処するため、大規模なラベルなし胸部X線画像のプールを活用してモデル性能を向上させることを目的とする。
• ベイジアンフレームワークを用いて画像分布とラベル予測の共同学習が、純粋に教師ありまたは自己教師ありの手法よりも回帰精度を向上させることを示すこと。
• 心不全やその他の体積状態関連疾患における臨床的意思決定支援および研究を向上させるために、患者状態の定量的フェノタイピングを可能にすること。

提案手法

• 1つのVAEが、ラベル付きおよびラベルなしデータを含む全33万枚の胸部X線画像から共通の潜在表現を学習するベイジアン生成モデルを用いる。
• VAEは、学習された潜在特徴を肺水腫重症度スコア（0〜3）にマップする回帰器と共同で訓練され、再構成と予測の両目的を最適化する。
• 確率的潜在変数を介したバックプロパゲーションを可能にするために再パrameterizationトリックを用い、事後分布を標準正規事前分布に正則化するためのKLダイバージェンス損失を導入する。
• 画像再構成損失は画像サイズの逆数で重み付けされ、VAEの潜在空間はスケールバイアスを低減するために正規化される。
• 学習率0.001、バッチサイズ4で最適化にAdamを使用し、検証損失に基づいた早期停止を採用する。
• 各ラベルクラスごとに別々のVAEを訓練するのではなく、1つのVAEを全画像セットに適用する。著者らは、連続的で微細な重症度評価に適していると主張する。

実験結果

リサーチクエスチョン

• RQ1 大規模なラベルなし胸部X線画像を活用する半教師付き学習アプローチが、完全に教師ありの手法と比較して、肺水腫の重症度回帰精度を向上させることができるか？
• RQ2 ラベル付きおよびラベルなしデータ上でVAEと回帰器を共同で訓練することで、ラベルカテゴリごとに別々のモデルを訓練するのと比較して、より優れた特徴表現が得られるか？
• RQ3 限られたラベル付きデータの文脈において、本手法の性能がエントロピー最小化およびマルチVAEベースラインと比較してどのように異なるか？
• RQ4 1つの共有VAE表現が、連続的な肺水腫重症度スコアに関連する微細な画像特徴を効果的に捉えられるか？
• RQ5 画像分布を同時にモデル化することで、肺水腫重症度予測の一般化性能とロバストネスがどの程度向上するか？

主な発見

• 提案手法のVAE-回帰器は、テストセットでRMSE 0.57を達成し、教師ありベースライン（RMSE: 0.63）、EMベースの自己学習（RMSE: 0.65）、マルチVAE手法（RMSE: 0.68）を上回った。
• 真値の重症度スコアとのピアソン相関係数（CC）は0.78を記録し、教師ありベースライン（CC: 0.72）、EM（CC: 0.70）、マルチVAE（CC: 0.69）を大きく上回った。
• 潜在表現とラベル予測の共同学習により、全重症度カテゴリにわたり、より正確で一貫性のある予測が得られたことが、予測スコア分布図から明らかになった。
• ラベルなしデータを効果的に活用することで、過学習を低減し、検証およびテストセットにおける一般化性能とロバストネスが向上した。
• 限られたラベルを用いて画像分布を共同でモデル化することは、特に肺水腫重症度のような連続的で微細な特徴に対して、各ラベルクラスごとに別々のVAEを訓練するのよりも効果的であることが示された。
• 本研究は、胸部X線における自動的・定量的肺水腫スコアリングに機械学習を初めて効果的に応用した事例を提示し、より良い臨床的意思決定支援およびフェノタイピングを可能にした。