[論文レビュー] Transfer learning for diagnosis of congenital abnormalities of the kidney and urinary tract in children based on Ultrasound imaging data

Qiang Zheng, Gregory E. Tasian+1 more|arXiv (Cornell University)|Dec 31, 2017

Pediatric Urology and Nephrology Studies参考文献 12被引用数 6

ひとこと要約

本研究では、子供の超音波腎臓画像に対して事前学習済みのAlexNetモデルを用いた転移学習アプローチを提案し、先天性腎尿路奇形（CAKUT）の診断に向けた深層特徴を抽出する。これらの転移学習特徴を従来の画像特徴と組み合わせることで、個々の特徴セットよりも優れた分類性能を達成し、CAKUT検出の診断精度が向上することを示した。

ABSTRACT

Classification of ultrasound (US) kidney images for diagnosis of congenital abnormalities of the kidney and urinary tract (CAKUT) in children is a challenging task. It is desirable to improve existing pattern classification models that are built upon conventional image features. In this study, we propose a transfer learning-based method to extract imaging features from US kidney images in order to improve the CAKUT diagnosis in children. Particularly, a pre-trained deep learning model (imagenet-caffe-alex) is adopted for transfer learning-based feature extraction from 3-channel feature maps computed from US images, including original images, gradient features, and distanced transform features. Support vector machine classifiers are then built upon different sets of features, including the transfer learning features, conventional imaging features, and their combination. Experimental results have demonstrated that the combination of transfer learning features and conventional imaging features yielded the best classification performance for distinguishing CAKUT patients from normal controls based on their US kidney images.

研究の動機と目的

• 子供の画像診断における先天性腎尿路奇形（CAKUT）の診断精度を向上させること。
• 事前学習済みの深層ニューラルネットワークからの転移学習を活用して、限られたアノテート済みの小児超音波データの課題に対処すること。
• 転移学習に基づく特徴と従来の画像特徴を統合することで分類性能を向上させること。
• 転移学習特徴、従来特徴、およびそれらの統合の異なる特徴組み合わせの効果をCAKUT診断において評価すること。

提案手法

• 3チャンネルの特徴マップを小児腎臓超音波画像から抽出し、事前学習済みのImageNet-caffe-AlexNetモデルを微調整して特徴抽出を実行した。
• 3種類の画像表現を生成した：元のUS画像、勾配特徴、距離変換特徴。それぞれが事前学習済みネットワークの入力としてチャンネルを形成した。
• 転移学習を用いて、これらのマルチチャンネル入力から高レベルの意味的特徴を抽出し、CAKUTに関連する複雑なパターンを捉えた。
• サポートベクターマシン（SVM）を、異なる特徴セット（転移学習特徴のみ、従来特徴のみ、およびそれらの連結）で学習させた。
• 標準的な指標（正確性、感度、特異性）を用いて各分類器の性能を評価した。
• 転移学習特徴と従来の画像特徴の統合が、分類において最適な組み合わせであると特定された。

実験結果

リサーチクエスチョン

• RQ1 従来の特徴ベースの手法と比較して、転移学習は小児超音波画像におけるCAKUT分類を改善できるか？
• RQ2 手作業で作成した従来の画像特徴と比較して、転移学習により抽出された深層特徴はCAKUT診断においてどのように異なるか？
• RQ3 転移学習特徴と従来特徴を統合することで、単独で使用する場合よりも優れた診断性能が得られるか？
• RQ4 転移学習と併用する際、元の画像、勾配、距離変換の各画像表現の相対的寄与度は何か？

主な発見

• 転移学習特徴と従来の画像特徴の統合が、個々の特徴セットを別々に使用したモデルよりも高い分類正確性を達成した。
• 転移学習特徴のみでも従来特徴よりも顕著な改善が見られたことから、これらの特徴がUS腎臓画像における判別的パターンを捉える価値があることが示された。
• 統合アプローチにより感度と特異性が向上し、CAKUT患者と健常対照群をより信頼性高く区別できるようになった。
• 元の画像、勾配、距離変換のマルチチャンネル入力を使用することで、事前学習済みネットワークが抽出する特徴の豊かさが向上した。
• 限られた小児USデータセットにもかかわらず、本手法は頑健な性能を示し、小規模データにおける医療画像分野における転移学習の有効性を強調した。