[論文レビュー] ULDor: A Universal Lesion Detector for CT Scans with Pseudo Masks and Hard Negative Example Mining

Youbao Tang, Ke Yan+4 more|arXiv (Cornell University)|Jan 18, 2019

Advanced Neural Network Applications参考文献 9被引用数 4

ひとこと要約

ULDorは、偽マスクとハードネガティブ例マイニング（HNEM）を用いて、CTスキャンのためのユニバーサル病変検出器を提案する。RECISTアノテーションを用いてサーヴィレートマスクを生成し、抽出された誤検出例を繰り返し精錬することで、モデルの検出性能を向上させる。5枚あたりの誤検出数が5の条件下で86.21%の感度を達成し、先行研究を上回る性能を示した。

ABSTRACT

Automatic lesion detection from computed tomography (CT) scans is an important task in medical imaging analysis. It is still very challenging due to similar appearances (e.g. intensity and texture) between lesions and other tissues, making it especially difficult to develop a universal lesion detector. Instead of developing a specific-type lesion detector, this work builds a Universal Lesion Detector (ULDor) based on Mask R-CNN, which is able to detect all different kinds of lesions from whole body parts. As a state-of-the-art object detector, Mask R-CNN adds a branch for predicting segmentation masks on each Region of Interest (RoI) to improve the detection performance. However, it is almost impossible to manually annotate a large-scale dataset with pixel-level lesion masks to train the Mask R-CNN for lesion detection. To address this problem, this work constructs a pseudo mask for each lesion region that can be considered as a surrogate of the real mask, based on which the Mask R-CNN is employed for lesion detection. On the other hand, this work proposes a hard negative example mining strategy to reduce the false positives for improving the detection performance. Experimental results on the NIH DeepLesion dataset demonstrate that the ULDor is enhanced using pseudo masks and the proposed hard negative example mining strategy and achieves a sensitivity of 86.21% with five false positives per image.

研究の動機と目的

• 全身CTスキャンにおいて多様な病変タイプを同定できるユニバーサル病変検出器の開発を目的とする。
• 画素レベルの病変アノテーションが限られている課題に対処するため、RECISTアノテーションから仮想マスクを構築する。
• ハードネガティブ例マイニング（HNEM）戦略を用いて、病変検出における誤検出を低減する。
• 抽出されたネガティブ例を再訓練に用いることで、繰り返しモデルを改善し、検出性能を向上させる。
• 臨床的関連性の高い設定において、誤検出数を最小限に抑えつつ最先端の感度を達成する。

提案手法

• RECISTアノテーションを用いて、Mask R-CNNの学習における代替真値としての仮想マスクを病変領域に構築する。
• RoIAlignを用いたMask R-CNNを採用し、マスク予測における空間的整合性を確保する。
• ハードネガティブ例マイニング（HNEM）戦略を適用し、誤検出候補を特定して再学習する。
• 病変例と抽出されたネガティブ例を組み合わせて、繰り返しMask R-CNNモデルを再訓練することで、特徴の識別能を向上させる。
• 推論時には、最終的に精錬されたモデルを用いて1回の順伝播で推論を実行する。
• 仮想マスクとHNEMを統合したジョイントトレーニングループを用いることで、検出のロバスト性と感度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 RECISTアノテーションから導出される仮想マスクは、ユニバーサル病変検出器の学習において、実際の画素レベルマスクの代替として効果的であるか？
• RQ2 ハードネガティブ例マイニングは、CTスキャンからの病変検出における誤検出数を顕著に低減するか？
• RQ3 仮想マスクとHNEMの組み合わせにより、既存手法を上回る検出感度が達成可能か？
• RQ4 抽出されたネガティブ例を用いた繰り返し再訓練は、真陽性のランク付けにどのように影響するか？
• RQ5 仮想マスクとHNEMを用いる場合、感度と誤検出率のトレードオフはどのように変化するか？

主な発見

• ULDorは、1枚あたり5つの誤検出を許容する条件下で86.21%の感度を達成し、先行研究の最良手法（81.1%）と比較して絶対値5.11%の向上を示した。
• 仮想マスクの使用により、マスク予測なしのMask R-CNNと比較して感度が向上し、セグメンテーションの監視の価値が裏付けられた。
• ハードネガティブ例マイニングにより誤検出数が減少し、特に低誤検出率（例：1枚あたり5個）での感度がベースラインモデルを上回った。
• 1枚あたり5個までの誤検出数において、Yanら[4]の手法をすべての誤検出レベルで上回り、特に0.5〜2個の範囲で最大の改善が得られた。
• より多くの誤検出を許容する場合、FP再訓練を施したULDorの感度は94.2%に達し、[4]で報告された88.0%を上回った。
• 改善にもかかわらず、約5.8%の真の病変が検出されなかったため、低コントラスト病変の処理におけるさらなる向上の余地がある。