[논문 리뷰] A New Window Loss Function for Bone Fracture Detection and Localization in X-ray Images with Point-based Annotation

Xinyu Zhang, Yirui Wang외 6명|arXiv (Cornell University)|2020. 12. 07.

COVID-19 diagnosis using AI참고 문헌 32인용 수 7

한 줄 요약

이 논문은 뼈 골절의 경계가 모호한 점근적 특성으로 인해 경계 상자(annotation)의 한계를 해결하고자, 점 기반(annotation)을 사용하여 골반 X-ray 영상에서 골절 탐지 및 국소화를 위한 새로운 Window Loss 기능을 제안한다. 점(annotation)을 하한/상한 경계 및 불확실 영역으로 변환하여 픽셀 단위의 지도 학습을 구현함으로써, 골절 경계의 모호함을 효과적으로 처리한다. 이로 인해 4,410장의 골반 X-ray 영상에서 AUROC 0.983과 FROC 점수 89.6%의 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Object detection methods are widely adopted for computer-aided diagnosis using medical images. Anomalous findings are usually treated as objects that are described by bounding boxes. Yet, many pathological findings, e.g., bone fractures, cannot be clearly defined by bounding boxes, owing to considerable instance, shape and boundary ambiguities. This makes bounding box annotations, and their associated losses, highly ill-suited. In this work, we propose a new bone fracture detection method for X-ray images, based on a labor effective and flexible annotation scheme suitable for abnormal findings with no clear object-level spatial extents or boundaries. Our method employs a simple, intuitive, and informative point-based annotation protocol to mark localized pathology information. To address the uncertainty in the fracture scales annotated via point(s), we convert the annotations into pixel-wise supervision that uses lower and upper bounds with positive, negative, and uncertain regions. A novel Window Loss is subsequently proposed to only penalize the predictions outside of the uncertain regions. Our method has been extensively evaluated on 4410 pelvic X-ray images of unique patients. Experiments demonstrate that our method outperforms previous state-of-the-art image classification and object detection baselines by healthy margins, with an AUROC of 0.983 and FROC score of 89.6%.

연구 동기 및 목표

• 골절의 복잡한 형태학적 특성과 명확한 경계가 없는 점유성으로 인해 경계 상자 annotation이 모호한 문제를 해결하기 위해.
• 공간적 범위가 명확하지 않은 병변에 적합한 비용 효율적이고 유연한 annotation 체계를 개발하기 위해.
• 점 기반 지도 학습에 특화된 새로운 손실 함수를 통해 골절 탐지의 분류 및 국소화 성능을 향상시키기 위해.
• 하한 및 상한 경계 및 불확실 영역을 포함한 픽셀 단위의 지도 학습이 모델의 강건성과 정확도 향상에 기여하는지 검증하기 위해.

제안 방법

• 국소화된 골절 위치를 표시하기 위해 점 기반 annotation을 사용하여 정확한 경계 상자 필요 없이 간소화된 annotation을 구현한다.
• 하한 반경 이내(양성 영역), 하한 및 상한 반경 사이(불확실 영역), 상한 반경 초과(음성 영역)로 나누어 점 annotation을 픽셀 단위의 지도 학습으로 변환한다.
• 예측이 불확실 영역 외부일 경우에만 손실을 부과하는 새로운 Window Loss를 제안하여 정상 영역에서의 오분류를 줄인다.
• 전체 평균 풀링과 완전 컨volution 네트워크를 사용한 딥 러닝 모델을 도입하여 엔드 투 엔드 학습을 수행한다.
• 손실 함수 내에서 평균 제곱 오차(MSE)와 쿨백-라이블러 발산(KLD)을 분산 측정 지표로 사용한다.
• 다중 척도 특징 학습을 향상시키기 위해 특징 피라미드 네트워크(FPN)를 적용한다.

실험 결과

연구 질문

• RQ1 경계 상자가 모호한 X-ray 영상에서 점 기반 annotation이 골절을 효과적으로 표현할 수 있는가?
• RQ2 예측이 불확실 영역 외부일 경우에만 손실을 부과하는 Window Loss는 기존 손실 함수에 비해 국소화 정확도를 어떻게 향상시키는가?
• RQ3 Window Loss의 최적 설정은 하한 반경(rℓ), 상한 반경(ru), 그리고 스무딩 파라미터(τ)의 조합이 어떠한가?
• RQ4 경계 영역을 통해 불확실성을 모델링하면 골절 탐지에서 더 나은 일반화 및 강건성 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 4,410장의 골반 X-ray 영상에서 AUROC 0.983과 FROC 점수 89.6%를 기록하여 최신 기술 수준의 이미지 분류 및 객체 탐지 기반 모델을 초월한다.
• 절단 분석 결과, 기본 설정(rℓ=50, ru=200, τ=2)이 분류 및 국소화 성능 간 최적의 균형을 이룬다.
• rℓ를 50에서 150으로 증가시키면 FROC가 MSE 기준 7.9%, KLD 기준 6.8% 감소하여, 더 큰 양성 영역이 정상 조직까지 포함되어 국소화 성능이 떨어지는 것으로 나타났다.
• τ 값을 높게 설정할 경우(예: τ=10), 예측 지도 학습이 과도하게 부드러워져 Recall@0.1이 MSE 기준 87.4%에서 69.6%로 감소하여 국소화 성능이著しく 떨어졌다.
• τ=0인 특수 케이스(이진 마스크)는 AUROC 0.980과 FROC 85.4%를 기록하여, 단순화된 지도 학습 방식조차도 기존 방법을 능가함을 입증했다.
• 절단 분석 설정 전반에서 AUROC가 0.984~0.986로 높은 수준을 유지하여, 파라미터 변화에 대해 매우 강건함을 입증했다.