[論文レビュー] Spontaneous preterm birth prediction using convolutional neural networks

Tomasz Włodarczyk, Szymon Płotka+5 more|arXiv (Cornell University)|Aug 16, 2020

Preterm Birth and ChorioamnionitisMedicine被引用数 1

ひとこと要約

本研究では、2次元経腟超音波画像から子宮頸部を同時にセグメンテーションし、予備的早産（sPTB）を予測する1段階型畳み込みニューラルネットワーク（CNN）を提案する。U-Netを拡張し、並列な分類ブランチを追加することで、セグメンテーションの平均Jaccardインデックスは0.923 ± 0.081、感度は3.49%の偽陽性率を伴いながら0.677 ± 0.042を達成し、sPTB予測分野における最先端手法を上回る性能を示した。

ABSTRACT

An estimated 15 million babies are born too early every year. Approximately 1 million children die each year due to complications of preterm birth (PTB). Many survivors face a lifetime of disability, including learning disabilities and visual and hearing problems. Although manual analysis of ultrasound images (US) is still prevalent, it is prone to errors due to its subjective component and complex variations in the shape and position of organs across patients. In this work, we introduce a conceptually simple convolutional neural network (CNN) trained for segmenting prenatal ultrasound images and classifying task for the purpose of preterm birth detection. Our method efficiently segments different types of cervixes in transvaginal ultrasound images while simultaneously predicting a preterm birth based on extracted image features without human oversight. We employed three popular network models: U-Net, Fully Convolutional Network, and Deeplabv3 for the cervix segmentation task. Based on the conducted results and model efficiency, we decided to extend U-Net by adding a parallel branch for classification task. The proposed model is trained and evaluated on a dataset consisting of 354 2D transvaginal ultrasound images and achieved a segmentation accuracy with a mean Jaccard coefficient index of 0.923 $\pm$ 0.081 and a classification sensitivity of 0.677 $\pm$ 0.042 with a 3.49\% false positive rate. Our method obtained better results in the prediction of preterm birth based on transvaginal ultrasound images compared to state-of-the-art methods.

研究の動機と目的

• 経腫瘍超音波画像を用いた、自動で深層学習に基づく予備的早産（sPTB）予測手法の開発。
• 婦人科医による手動的超音波解析の主観性と一貫性の欠如を克服すること。
• 子宮頸部セグメンテーションとsPTB分類を1つのエンドツーエンドで学習可能なモデルに統合すること。
• 頸部長さなどのハンドクラフト特徴量に依存する従来手法よりも、予測精度を向上させること。
• 主観的な臨床的評価の代替として、客観的で定量的な超音波画像評価を提供すること。

提案手法

• 本手法は、セグメンテーションと分類の両方を同時に実行するための並列分類ブランチを備えた、変更されたU-Netアーキテクチャを採用する。
• モデルは、319例の対照例と35例の早産例を含む、合計354枚の2次元経腫超音波画像で学習された。
• マルチタスク損失関数により、セグメンテーションと分類の両方のタスクを同時に最適化するため、バイナリクロスエントロピーを組み合わせた。
• 画像前処理には、テレアのアルゴリズムを用いて、手動によるアノテーション（例：イエロー／グリーンの十字）を埋め込む処理が含まれる。
• 注意領域の可視化にはGrad-CAMが用いられ、ネットワークが分類の際に子宮頸部の外頸部付近の組織の不均一性に注目していることが明らかになった。
• U-Net、FCN、Deeplabv3の3つのバックボーンネットワークが評価され、セグメンテーション性能が優れていたことから、U-Netが選択された。

実験結果

リサーチクエスチョン

• RQ1 1つのディープラーニングモデルが、経腫超音波画像において子宮頸部セグメンテーションと予備的早産分類を効果的に行えるか？
• RQ2 U-Netエンコーダパスで学習された特徴表現に、sPTB予測に有用な情報が含まれているか？
• RQ3 提案された統合セグメンテーション・分類モデルは、最先端手法と比較して、セグメンテーション精度とsPTB予測感度の両面で優れているか？
• RQ4 sPTB分類の際、モデルは超音波画像のどの領域に注目しているか？その注目領域は臨床的知識と整合的か？
• RQ5 エンドツーエンドのディープラーニングは、手動的または特徴量ベースの手法と比較して、偽陽性率を低減し、予測の信頼性を向上させられるか？

主な発見

• 提案モデルは、子宮頸部セグメンテーションにおいて平均Jaccardインデックス0.923 ± 0.081を達成し、高いセグメンテーション精度を示した。
• 早産分類において感度0.677 ± 0.042、偽陽性率3.49%という低水準を達成した。
• 本研究で提案されたモデルは、[12]の最先端手法と比較して、セグメンテーション（IoU: 0.923 対 0.91）および分類（再現率: 0.677 対 0.596）の両面で優れた性能を示した。
• Grad-CAMの可視化により、ネットワークが子宮頸部の下部および周囲の組織の不均一性に注目していることが判明し、前部子宮頸部のストロマへの影響という臨床的観察と一致した。
• 特異度は0.951を達成し、対照例を正しく特定する能力が優れていた。
• 結果から、U-Netエンコーダパスから得られるディープ特徴量がsPTB予測に非常に有益であることが示され、エンドツーエンド学習の実現可能性が裏付けられた。