[論文レビュー] TBNet:Pulmonary Tuberculosis Diagnosing System using Deep Neural Networks

Ram Srivatsav Ghorakavi|arXiv (Cornell University)|Feb 24, 2019

COVID-19 diagnosis using AI参考文献 22被引用数 6

ひとこと要約

本論文では、小規模な公開データセット上で、伝統的な顕著特徴（ハールおよびLBP）とデータ拡張を統合することで、コントロールX線を用いた肺チフスの診断を向上させる深層学習システム、TBNetを提案する。元の画像とハールおよびLBP特徴マップ（ノイズあり、部分的で抽出された特徴を含む）を統合することで、ResNet-18の性能が10%向上し、75.4%のテスト精度を達成。ベースライン手法と比較して、一般化性能および収束速度が顕著に向上した。

ABSTRACT

Tuberculosis is a deadly infectious disease prevalent around the world. Due to the lack of proper technology in place, the early detection of this disease is unattainable. Also, the available methods to detect Tuberculosis is not up-to a commendable standards due to their dependency on unnecessary features, this make such technology obsolete for a reliable health-care technology. In this paper, I propose a deep-learning based system which diagnoses tuberculosis based on the important features in Chest X-rays along with original chest X-rays. Employing our system will accelerate the process of tuberculosis diagnosis by overcoming the need to perform the time-consuming sputum-based testing method (Diagnostic Microbiology). In contrast to the previous methods \cite{kant2018towards, melendez2016automated}, our work utilizes the state-of-the-art ResNet \cite{he2016deep} with proper data augmentation using traditional robust features like Haar \cite{viola2005detecting,viola2001rapid} and LBP \cite{ojala1994performance,ojala1996comparative}. I observed that such a procedure enhances the rate of tuberculosis detection to a highly satisfactory level. Our work uses the publicly available pulmonary chest X-ray dataset to train our network \cite{jaeger2014two}. Nevertheless, the publicly available dataset is very small and is inadequate to achieve the best accuracy. To overcome this issue I have devised an intuitive feature based data augmentation pipeline. Our approach shall help the deep neural network \cite{lecun2015deep,he2016deep,krizhevsky2012imagenet} to focus its training on tuberculosis affected regions making it more robust and accurate, when compared to other conventional methods that use procedures like mirroring and rotation. By using our simple yet powerful techniques, I observed a 10\% boost in performance accuracy.

研究の動機と目的

• 遅延が大きく、人による検査依存の喀痰検査に依存しない、高速で正確かつ自律的なチフス診断システムを、胸部X線を用いて開発すること。
• 医療画像データセットの限界を克服するため、伝統的特徴（ハールおよびLBP）に基づく新しいデータ拡張パイプラインを導入すること。
• 疾患関連領域に学習を集中させることで、小規模で不均衡なチフスX線データセットにおける深層ニューラルネットワークの一般化性能と性能を向上させること。
• 顕著特徴抽出と深層学習を組み合わせることで、従来のデータ拡張および単一特徴手法を上回る性能が得られることを実証すること。

提案手法

• 本システムは、元の胸部X線と、ハールおよびLBP変換から導出された合成的特徴マップを組み合わせたデータセット上で微調整されたResNet-18アーキテクチャを用いる。
• データ拡張パイプラインは、元のX線にハールおよびLBP特徴抽出を適用することで、ノイズありまたは不完全な特徴出力を含む追加のトレーニングサンプルを生成する。
• 領域オブインタレスト（ROI）クロッピングを適用し、手動でチフスに影響を受ける肺領域を特定・強調することで、モデルが病変特徴に注目するよう促進する。
• 元の画像、ハール特徴、LBP特徴、およびクロップされた顕著領域といった複数の特徴タイプを統合したトレーニングセットを構築し、モデルのロバスト性を向上させる。
• 早期停止と学習率スケジューリングを用いたトレーニングを実施し、複数の検証およびテスト分割で性能をモニタリングする。
• 診断的関連性を保つために、回転・反転などの標準的拡張手法を避け、コンテンツに適した特徴ベースの拡張を採用する。

実験結果

リサーチクエスチョン

• RQ1 顕著特徴ベースのデータ拡張は、小規模で公開可能なチフスX線データセットにおける深層学習性能を向上させることができるか？
• RQ2 ハールおよびLBPといった複数の特徴抽出手法を深層学習と組み合わせることで、単一特徴または従来の拡張手法よりも高い診断精度が得られるか？
• RQ3 ノイズありまたは部分的に抽出された特徴の含め方は、チフス検出におけるモデルの収束および一般化にどのような影響を及ぼすか？
• RQ4 疾患関連特徴にガイドされた深層ニューラルネットワークは、限られたデータで高い精度と速い収束を達成できるか？
• RQ5 医療画像分類において、特徴ベースのデータ拡張は、標準的手法に比べてどの程度優れているか？

主な発見

• ハールおよびLBP特徴と元の画像を組み合わせた提案されたデータ拡張法により、テスト精度が75.42579%に上昇し、元の画像のみを用いたベースラインと比較して10%の向上を達成した。
• ノイズありLBPおよびハール特徴を含むケース2は、最高の検証精度（81.333%）およびテスト精度（75.42579%）を記録し、単一特徴およびノイズなしケースを上回った。
• ケース2ではトレーニング損失がより速く滑らかに収束しており、より豊富で情報量の多い特徴データのおかげで最適化のダイナミクスが向上していることが示された。
• 拡張データでトレーニングされたモデルは、元のデータのみのケースとは異なり、特徴空間に一様で安定した決定境界を示すなど、ベースラインより一般化性能が優れていた。
• ResNet-18にさらに畳み込み層を追加しても、30エポックを超えては精度が顕著に向上せず、データの制限により性能のピークに達していることが示唆された。
• ハールおよびLBPといった顕著特徴の導入により、モデルのチフスに影響を受ける領域への注目が高まり、大規模データに依存することなく、小規模データセットでも性能が向上した。