[논문 리뷰] Automated diagnosis of pneumothorax using an ensemble of convolutional neural networks with multi-sized chest radiography images

Tae Joon Jun, Do‐Hyeun Kim외 1명|arXiv (Cornell University)|2018. 04. 18.

COVID-19 diagnosis using AI참고 문헌 13인용 수 13

한 줄 요약

이 논문은 다중 크기의 흉부 X-ray 영상을 처리하는 동일한 합성곱 신경망(CNN)의 앙상블을 제안하여 기흉 진단 성능을 향상시킨다. 여러 입력 해상도를 유지함으로써 공간적 세부 정보를 보존함으로써, ChestX-ray100k 데이터셋에서 AUC 0.911을 달성하여 이전의 접근 방식을 능가하고 대규모 의료 영상에서 자동 기흉 진단 분야의 새로운 최고 성능 기준을 설정한다.

ABSTRACT

Pneumothorax is a relatively common disease, but in some cases, it may be difficult to find with chest radiography. In this paper, we propose a novel method of detecting pneumothorax in chest radiography. We propose an ensemble model of identical convolutional neural networks (CNN) with three different sizes of radiography images. Conventional methods may not properly characterize lost features while resizing large size images into 256 x 256 or 224 x 224 sizes. Our model is evaluated with ChestX-ray dataset which contains over 100,000 chest radiography images. As a result of the experiment, the proposed model showed AUC 0.911, which is the state of the art result in pneumothorax detection. Our method is expected to be effective when applying CNN to large size medical images.

연구 동기 및 목표

• 미세하거나 약한 크기의 병변으로 인해 기흉이 놓쳐질 수 있는 흉부 레이저 영상에서 기흉을 탐지하는 데 도전하는 것.
• 기존 CNN 모델이 고정된 입력 크기(예: 224×224 또는 256×256)로 대규모 의료 영상을 리사이징할 때 공간 정보를 상실하는 한계를 극복하는 것.
• 동일한 영상에서 다양한 해상도에서의 다중 척도 특징을 활용하여 진단 정확도를 향상시키는 것.
• 대규모 형식의 의료 영상 데이터에 적용 가능한 견고하고 확장 가능한 딥 러닝 프레임워크를 개발하는 것.
• 흉부 X-ray에서 기흉 진단에 있어 새로운 최고 성능 기준 성능 벤치마크를 설정하는 것.

제안 방법

• 이 방법은 동일한 입력 영상을 세 가지 다른 해상도(원본, 리샘플링된, 확대된)에서 처리하는 동일한 CNN의 앙상블을 사용한다.
• 앙상블 내 각 CNN은 각각의 영상 크기에서 별도로 훈련되어 척도에 특화된 특징을 유지한다.
• 모든 세 개의 네트워크에서 생성된 특징 맵은 평균 또는 가중 평균을 통해 융합되어 최종 예측을 생성한다.
• 불균형 데이터를 처리하기 위해 클래스 균형 샘플링을 사용하는 교차 엔트로피 손실을 통해 엔드 투 엔드로 모델을 훈련시킨다.
• 표준 이미지 리사이징 과정에서 발생하는 세밀한 해부학적 세부 정보의 열화를 방지한다.
• 최종 예측은 세 개의 네트워크 출력을 평균하여 도출되며, 이는 견고성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 다양한 크기의 입력을 처리하는 CNN 앙상블이 단일 크기 모델 대비 기흉 진단 성능을 향상시킬 수 있는가?
• RQ2 대규모 흉부 X-ray에서 다중 척도 공간 정보를 유지하면 더 나은 진단 성능를 달성할 수 있는가?
• RQ3 제안된 방법이 대규모 데이터셋에서 기존 최고 성능 모델을 능가할 수 있는가?
• RQ4 성능 향상은 모델 용량 자체가 아니라 척도 간 특징 표현의 향상 때문인가?
• RQ5 AUC와 민감도 측면에서 앙상블 전략은 단일 해상도 기준 모델 대비 어떻게 비교되는가?

주요 결과

• 제안된 앙상블 모델은 ChestX-ray100k 데이터셋에서 수신기 작동 특성 곡선 아래 면적(AUC)이 0.911로 기록되어 기흉 진단 분야에서 새로운 최고 성능 기준이 되었다.
• 특히 미세하거나 작은 기흉 병변을 탐지하는 데 있어 단일 해상도 기준 모델 대비 뛰어난 성능을 보였다.
• 다양한 크기의 입력 전략은 표준 리사이징 과정에서 손실되는 중요한 해부학적 세부 정보를 유지하여 더 나은 특징 학습에 기여했다.
• 앙상블 접근 방식은 다양한 영상 해상도에서 일관된 향상을 보이며 척도 변동에 대한 견고성을 입증했다.
• 기존 문헌에서 보고된 방법들을 모두 능가했으며, 이는 대규모 형식의 의료 영상 분석에 효과적임을 확인했다.
• 결과는 방사선 영상에서 저대비, 작은 병변 패atters의 정확한 탐지에 다중 척도 특징 추출이 핵심임을 검증한다.