[論文レビュー] Towards Radiologist-Level Accurate Deep Learning System for Pulmonary Screening

Mrinal Haloi, Rajalakshmi Krishnamurthi+1 more|arXiv (Cornell University)|Jun 25, 2018

COVID-19 diagnosis using AI参考文献 9被引用数 10

ひとこと要約

本論文は、胸部レントゲン画像から肺炎および結核を分類する際、放射線科医レベルの精度を達成するための211層の深く完全に畳み込みニューラルネットワークを提示している。このシステムは、公開データセット上で肺炎に対して96.1%の感度と0.985のAUCを達成し、結核に対しては92.5%の感度と0.949のAUCを達成しており、既存の最先端技術を上回っている。

ABSTRACT

In this work, we propose advanced pneumonia and Tuberculosis grading system for X-ray images. The proposed system is a very deep fully convolutional classification network with online augmentation that outputs confidence values for diseases prevalence. Its a fully automated system capable of disease feature understanding without any offline preprocessing step or manual feature extraction. We have achieved state- of-the- art performance on the public databases such as ChestXray-14, Mendeley, Shenzhen Hospital X-ray and Belarus X-ray set.

研究の動機と目的

• 肺炎および結核の検出において放射線科医レベルの精度に相当する、自動化された深層学習ベースのAIシステムを構築すること。
• 発展途上国における放射線科医の不足を解消するために、遠隔地でも迅速かつ信頼性が高く、展開可能なスクリーニングを可能にすること。
• 肺炎および結核の複雑で重複する病変特徴の分類において、診断の正確性を向上させ、放射線科医間のばらつきを低減すること。
• 手動による特徴抽出やオフラインの前処理を一切行わず、エンドツーエンドの深層学習を活用した完全自動化システムの構築

提案手法

• 直接ピクセルからラベルへの分類を実行するため、約4500万パラメータのトレーニング可能なパラメータを有する211層の非常に深い完全に畳み込みネットワークが使用されている。
• 特徴表現の向上とアーリアシングの低減を目的として、スキップ接続と要因分解された畳み込みを組み合わせた変更版の残差インセプションモジュールが採用されている。
• 高解像度の特徴マップに注目を向けるために部分的注意機構が適用されており、関連する病変領域を強調することで表現学習の質が向上している。
• マルチラベル分類を可能にするために重み付きシグモイド交差エントロピー損失関数が使用されており、1枚の画像内で肺炎と結核の同時検出が可能になっている。
• 一般化性能の向上と過学習の防止を目的として、バッチ正規化、ラベルスムージング、ドロップアウト、バッチサンプルのバランス調整が適用されている。
• トレーニングの最適化には、ネステロフモーメンタムを用いた確率的勾配降下法と多項式学習率スケジューリングが用いられ、勾配正規化によってトレーニングの安定化が図られている。

実験結果

リサーチクエスチョン

• RQ1 深層学習システムは、前額位の胸部レントゲン画像から肺炎および結核を分類する際、放射線科医レベルの診断精度に達成可能か？
• RQ2 残差およびインセプションモジュールを備えた非常に深い完全に畳み込みネットワークは、肺疾患検出において特徴学習および分類性能をどのように向上させるか？
• RQ3 注目機構とオンラインデータ拡張は、限られた医療画像データセットにおいて、モデルの解釈可能性と一般化性能をどの程度向上させるか？
• RQ4 本研究で提示されたシステムは、肺炎および結核の両方について、感度、特異度、AUCという観点で、既存の最先端モデルと比較してどのように差をつけるか？
• RQ5 本モデルは、撮影プロトコルや疾患有病率が異なる多様な公開データセットにおいても、高い性能を維持できるか？

主な発見

• 提案モデルは、公開データセット上で肺炎分類において96.1%の感度と91.03%の特異度を達成し、AUCは0.985であった。
• 結核に対しては、92.5%の感度と85.0%の特異度を達成し、AUCは0.949であった。これは、以前の最先端手法を上回っている。
• 特に肺炎検出において、感度とAUCの両面で放射線科医レベルの性能を上回っており、既存のモデルと顕著な差を示している。
• ヒートマップの可視化により、モデルが病変特徴を有する解剖学的に関連する領域に注目していることが確認され、効果的な注目と解釈可能性が裏付けられた。
• ChestXray-14、Mendeley、深セン病院、ベラルーシ、MC-SC-Xrayを含む複数の公開データセットにおいて、強力な一般化性能を示した。
• モデルは高速であり、モバイルチップでも動作可能で、低リソースおよび遠隔臨床現場でのスケーラブルな利用が可能である。