[논문 리뷰] Abnormality Detection and Localization in Chest X-Rays using Deep Convolutional Neural Networks

Mohammad Tariqul Islam, Abdul Aowal외 2명|arXiv (Cornell University)|2017. 05. 27.

COVID-19 diagnosis using AI참고 문헌 25인용 수 115

한 줄 요약

이 논문은 Indiana, JSRT, Shenzhen 데이터셋에서 흉부 X-선 이상을 여러 심층 합성곱 신경망으로 평가하고, 앙상블 DCN 모델이 규칙 기반 방법보다 우수함을 보이며, 심장비대와 폐부종에 대한 occlusion 기반 위치화를 도입한다.

ABSTRACT

Chest X-Rays (CXRs) are widely used for diagnosing abnormalities in the heart and lung area. Automatically detecting these abnormalities with high accuracy could greatly enhance real world diagnosis processes. Lack of standard publicly available dataset and benchmark studies, however, makes it difficult to compare various detection methods. In order to overcome these difficulties, we have used a publicly available Indiana CXR, JSRT and Shenzhen dataset and studied the performance of known deep convolutional network (DCN) architectures on different abnormalities. We find that the same DCN architecture doesn't perform well across all abnormalities. Shallow features or earlier layers consistently provide higher detection accuracy compared to deep features. We have also found ensemble models to improve classification significantly compared to single model. Combining these insight, we report the highest accuracy on chest X-Ray abnormality detection on these datasets. We find that for cardiomegaly detection, the deep learning method improves the accuracy by a staggering 17 percentage point compared to rule based methods. We applied the techniques to the problem of tuberculosis detection on a different dataset and achieved the highest accuracy. Our localization experiments using these trained classifiers show that for spatially spread out abnormalities like cardiomegaly and pulmonary edema, the network can localize the abnormalities successfully most of the time. One remarkable result of the cardiomegaly localization is that the heart and its surrounding region is most responsible for cardiomegaly detection, in contrast to the rule based models where the ratio of heart and lung area is used as the measure. We believe that through deep learning based classification and localization, we will discover many more interesting features in medical image diagnosis that are not considered traditionally.

연구 동기 및 목표

• 공개 데이터셋에서 흉부 X-선 이상 탐지를 위해 다양한 DCN 아키텍처(AlexNet, VGG, ResNet)의 성능을 평가한다.
• 심장비대 및 기타 이상에 대해 단일 DCN보다 앙상블 모델을 사용하는 이점을 평가한다.
• 분류기 의사결정에 기여하는 영역을 식별하기 위해 occlusion 민감도에 기반한 위치화 방법을 개발하고 적용한다.
• DCN 기반 심장비대 탐지를 규칙 기반 특징과 비교하고 개선점을 보고한다.
• 결핵 탐지를 위한 다른 데이터셋에 대한 일반화를 시연한다.

제안 방법

• 사전 학습된 DCN(AlexNet, VGG-16/19, ResNet-50/101/152)을 흉부 X선 데이터세트에 미세 조정하고 Adam 옵티마이저(lr=0.001)를 사용한다.
• 선정된 층(res4f, res4b22, res4b35; pool5)에서 특징을 추출하고 이상 탐지를 위한 이진 분류기를 학습한다.
• 여러 DCN 간 모델 확률의 간단한 선형 평균화를 통한 앙상블 예측을 탐색한다.
• CXR에 가려개를 40x40 패치로 사용하여 occlusion 민감도를 통해 위치 확률 맵을 생성하고 병변 확률의 감소를 추적한다.
• 균형 잡힌 학습/테스트 분할과 다수의 랜덤 분할에서 정확도, AUC, 민감도, 특이도로 평가하여 강건성을 확보한다.
• 전이성을 입증하기 위해 Shenzhen TB 데이터셋에 적용한다.

실험 결과

연구 질문

• RQ1 공개 데이터셋에서 심장비대 및 기타 흉부 X선 이상에 대해 서로 다른 DCN 아키텍처의 성능은 어떠한가?
• RQ2 단일 모델과 비교하여 DCN 앙상블이 탐지 정확도와 AUC를 향상시키는가?
• RQ3 occlusion 기반 위치화가 흉부 X선에서 심장비대 및 폐부종과 같은 이상을 신뢰성 있게 위치화할 수 있는가?
• RQ4 DCN 기반 심장비대 탐지는 규칙 기반 방법과 어떻게 비교되며, Shenzhen 데이터셋의 결핵 탐지로 일반화되는가?

주요 결과

모델	정확도 (%)	AUC	민감도 (%)	특이도 (%)
AlexNet	86.00	0.92	86.00	86.00
VGG-16	86.00	0.87	96.00	76.00
VGG-19	92.00	0.94	92.00	92.00
ResNet-50	87.00	0.93	94.00	80.00
ResNet-101	92.00	0.92	88.00	96.00
ResNet-152	90.00	0.91	92.00	88.00

• 앙상블 DCN 모델은 단일 모델보다 더 높은 심장비대 탐지 정확도(최고 93.0%)와 AUC(최고 0.9728)를 달성한다.
• 단일 모델의 성능은 이상에 따라 다르며, 심장비대의 경우 VGG-19가 높은 정확도(92%)와 AUC(0.94)를 보이고, ResNet-152는 무작위 분할 전반에 걸친 강한 평균 성능을 제공한다.
• 초기 층의 얕은 특징이 심장비대 탐지에서 종종 심층 특징보다 우수하며, ResNet-152 초기 층(res4b35) 특징이 더 나은 정확도를 제공한다.
• 드롭아웃 제거는 일반적으로 더 깊은 모델에 도움이 되지만 깊은 네트워크의 성능을 저하시킬 수 있다; 여섯 개 DCN의 앙상블이 심장비대에 대해 최고 전체 성능(정확도 93%, AUC 0.97)을 제공한다.
• Occlusion 기반 위치화는 심장 부위를 심장비대 탐지의 주요 영역으로, 폐 부위를 폐부종에 대한 위치로 강조한다; 위치화 결과는 임상적으로 기대되는 영역과 일치하나 일부 결과는 부종의 정상 해부학적 범위를 벗어나 있다.
• Shenzhen TB 데이터셋에서 앙상블 모델이 최고 정확도(90.0%)와 AUC(0.94)를 달성한다.