[논문 리뷰] A Weakly Supervised Adaptive DenseNet for Classifying Thoracic Diseases and Identifying Abnormalities

Bo Zhou, Yuemeng Li외 1명|arXiv (Cornell University)|2018. 07. 03.

COVID-19 diagnosis using AI참고 문헌 20인용 수 25

한 줄 요약

이 논문은 이미지 수준 레이블만을 사용하여 흉부 X선에서 14종의 흉부 질환을 분류하고 병변을 국소화하는 약한 감독 기반 적응형 DenseNet을 제안한다. 이중 단계 풀링 구조와 적응형 DenseNet 프론트엔드를 통합함으로써, 분류(이전 방법보다 14종 중 10종에서 슈퍼리오어 성능)와 국소화(평균 IoU 0.7) 모두에서 최신 기술 수준의 성능을 달성하였으며, 레이블의 모호성에도 불구하고 임상적 애너테이션과의 높은 일치도를 확보하였다.

ABSTRACT

We present a weakly supervised deep learning model for classifying thoracic diseases and identifying abnormalities in chest radiography. In this work, instead of learning from medical imaging data with region-level annotations, our model was merely trained on imaging data with image-level labels to classify diseases, and is able to identify abnormal image regions simultaneously. Our model consists of a customized pooling structure and an adaptive DenseNet front-end, which can effectively recognize possible disease features for classification and localization tasks. Our method has been validated on the publicly available ChestX-ray14 dataset. Experimental results have demonstrated that our classification and localization prediction performance achieved significant improvement over the previous models on the ChestX-ray14 dataset. In summary, our network can produce accurate disease classification and localization, which can potentially support clinical decisions.

연구 동기 및 목표

• 학습 중 지역 수준의 애너테이션을 필요로 하지 않는 정확한 흉부 질환 분류 및 병변 국소화를 수행하는 딥러닝 모델을 개발하는 것.
• 대규모 의료 영상 데이터셋에서 세부 방사선 애너테이션의 부족 문제를 해결하는 것.
• 오직 이미지 수준의 레이블만으로도 공간적으로 구분 가능한 특징을 학습하여 국소화 정확도를 향상시키는 것.
• 이미지 수준 레이블과 소량의 진단 기반 바운딩 박스를 포함한 대규모 ChestX-ray14 데이터셋에서 모델 성능을 평가하는 것.
• 애너테이션의 모호성이 국소화 성능에 미치는 영향을 조사하고, 확장된 방사선의사 검증 애너테이션을 활용하여 모델의 강인성을 검증하는 것.

제안 방법

• 모델는 맞춤형 이중 단계 풀링 구조를 활용한다: 첫 번째로 질환별 특징을 식별하기 위한 클래스별 풀링, 두 번째로 병변 영역을 국소화하기 위한 공간별 풀링.
• 밀도 있는 스위프트 커넥션을 통해 계층적 특징을 추출하는 적응형 DenseNet 프론트엔드를 사용하여 특징 재사용과 기울기 흐름을 향상시킨다.
• 바운딩 박스 또는 세그멘테이션 애너테이션 없이 오직 이미지 수준 레이블만을 사용하여 네트워크를 종단 간(end-to-end)으로 훈련시킨다.
• 클래스별 글로벌 평균 풀링 레이어를 공간 정보를 유지하고 국소화 정밀도를 향상시키기 위해 더 구분력 있는 풀링 전략으로 대체한다.
• 최종 국소화 출력은 클래스 풀링 특징 맵에 임계값 처리를 적용하여 질병 관련 영역을 강조하는 바운딩 박스로 생성된다.
• 사전 훈련된 ImageNet 모델에서 전이 학습을 사용하여 ChestX-ray14 데이터셋에서 모델을 파라미터 조정한다.

실험 결과

연구 질문

• RQ1 오직 이미지 수준 레이블만을 사용하는 딥러닝 모델이 고정확도의 흉부 질환 분류 및 병변 국소화를 달성할 수 있는가?
• RQ2 제안된 이중 단계 풀링 구조는 약한 감독 설정에서 표준 글로벌 풀링 대비 국소화 성능을 어떻게 향상시키는가?
• RQ3 ChestX-ray14 데이터셋의 애너테이션 모호성이 국소화 성능에 미치는 영향은 어느 정도이며, 이러한 조건 하에서 모델이 기준 방법보다 더 잘 일반화되는가?
• RQ4 적응형 DenseNet 아키텍처가 다양한 흉부 질환에서 소형 및 대형 병변 모두에 대해 특징 표현을 향상시키는가?
• RQ5 다중 또는 이중 병변이 있는 경우 모델의 국소화 출력이 진정한 바운딩 박스와 어떻게 비교되는가?

주요 결과

• 모델은 ChestX-ray14 데이터셋에서 14종의 흉부 질환 중 10종에 대해 최신 기술 수준의 분류 성능를 달성하였으며, 폐렴 및 기침성 폐기종과 같은 질환에서 뚜렷한 향상이 있었다.
• 국소화에 대한 평균 교차율(IoU) 점수는 0.7에 도달하여, 8개의 평가된 질환 중 5개에서 NIH 기준보다 유의미하게 뛰어났다.
• 시각적 분석 결과 예측된 바운딩 박스와 임상적 애너테이션 간 강한 일치도를 보였으며, 특히 이중 또는 다중 병변이 있는 경우 모델이 모든 병변을 포괄하는 반면 진짜 바운딩 박스가 일부를 놓치는 경우가 많았다.
• 80개의 모호한 케이스에 대해 정식 방사선의사가 애너테이션을 확장한 후, 모델의 국소화 IoU는 축적, 농양, 기흉, 침윤, 종양, 폐렴 등의 클래스에서 유의미하게 향상되었다.
• 평균 풀링 제거로 인해 공간 해상도가 유지되고 특징 표현이 향상되어 국소화 정확도 향상에 기여하였다.
• 모델는 레이블의 모호성에 대해 강인성을 보이며, 원본 데이터셋 애너테이션보다 더 포괄적이고 임상적으로 관련성이 높은 국소화 출력을 생성하였다.