[論文レビュー] Using Radiomics as Prior Knowledge for Abnormality Classification and Localization in Chest X-rays.

Yan Han, Chongyan Chen+5 more|arXiv (Cornell University)|Nov 25, 2020

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

本稿では、胸部X線における異常分類および局在化を向上させるために、放射線学的特徴量（radiomics features）を事前知識として統合する新しい深層学習フレームワーク、ChexRadiNetを提案する。軽量なトリプレットアテンション機構を活用し、放射線学的特徴量から導出されたヒートマップを用いた反復的最適化により、特徴量のロバスト性と局在化精度が向上し、実験的評価において最先端の手法を上回る性能を発揮する。

ABSTRACT

Chest X-rays become one of the most common medical diagnoses due to its noninvasiveness. The number of chest X-ray images has skyrocketed, but reading chest X-rays still have been manually performed by radiologists, which creates huge burnouts and delays. Traditionally, radiomics, as a subfield of radiology that can extract a large number of quantitative features from medical images, demonstrates its potential to facilitate medical imaging diagnosis before the deep learning era. In this paper, we develop an algorithm that can utilize the radiomics features to improve the abnormality classification performance. Our algorithm, ChexRadiNet, applies a light-weight but efficient triplet-attention mechanism for highlighting the meaningful image regions to improve localization accuracy. We first apply ChexRadiNet to classify the chest X-rays by using only image features. Then we use the generated heatmaps of chest X-rays to extract radiomics features. Finally, the extracted radiomics features could be used to guide our model to learn more robust accurate image features. After a number of iterations, our model could focus on more accurate image regions and extract more robust features. The empirical evaluation of our method supports our intuition and outperforms other state-of-the-art methods.

研究の動機と目的

• 放射線科医の負担を軽減し、診断の遅延を解消するため、胸部X線の読み込み作業を自動化して分類および局在化を実現する。
• AI時代における診断性能の向上を目指し、従来の放射線学的特徴量の限界を克服するため、深層学習と統合する。
• 放射線学的特徴量から導出されたヒートマップを事前知識として用いることで、特徴量学習をガイドし、モデルの解釈可能性と精度を向上させる。
• 計算効率と高い診断性能の両立を実現する、軽量でありながら効果的なアーキテクチャの開発

提案手法

• 意味のある画像領域を強調する軽量なトリプレットアテンション機構を適用し、胸部X線における局在化精度を向上させる。
• 生の画像特徴量のみを用いて胸部X線を事前に分類し、初期予測とアテンションヒートマップを生成する。
• 生成されたヒートマップから放射線学的特徴量を抽出し、後続のモデル最適化のための事前知識として活用する。
• 抽出された放射線学的特徴量を用いて、反復的最適化によりよりロバストで判別力のある画像特徴量を学習するようにモデルをガイドする。
• 放射線学的知識に基づく事前知識を用いて、より正確な解剖学的領域に焦点を当てながら、アテンションと特徴量抽出を反復的に最適化する。
• エンドツーエンドの深層学習と放射線学的特徴量を統合し、分類および局在化性能の両方を向上させるハイブリッドフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 アテンションヒートマップから抽出した放射線学的特徴量は、胸部X線解析のための深層学習モデルの性能向上に有効な事前知識として機能するか？
• RQ2 トリプレットアテンション機構と放射線学的特徴量の統合は、異常検出における局在化精度をどのように向上させるか？
• RQ3 放射線学的ガイド付き特徴量を用いた反復的最適化は、ベースライン手法と比較して、モデルのロバスト性と性能をどの程度向上させるか？
• RQ4 アテンション機構と放射線学的特徴量統合を備えた軽量アーキテクチャは、既存の最先端モデルを上回る性能を発揮できるか？

主な発見

• 提案されたChexRadiNetフレームワークは、胸部X線画像における異常分類および局在化において、既存の最先端手法を上回る性能を発揮する。
• アテンションヒートマップから抽出した放射線学的特徴量の統合により、モデルが診断的に重要な領域に焦点を当てる能力が顕著に向上する。
• トリプレットアテンション機構は、モデルの複雑さを増さずに、意味のある解剖学的構造を効果的に強調し、局在化の精度を向上させる。
• 放射線学的事前知識に基づく反復的最適化により、よりロバストな特徴量学習が実現され、モデルの一般化性能と性能が向上する。
• 軽量なアーキテクチャを維持することで、高い効率性を確保しながらも、優れた診断精度を達成している。
• 実験的評価により、アテンション機構を介した放射線学的特徴量と深層学習の統合が、医療画像解析分野において有望なアプローチであることが確認された。