[논문 리뷰] Automatic Diagnosis of Myocarditis Disease in Cardiac MRI Modality using Deep Transformers and Explainable Artificial Intelligence

Mahboobeh Jafari, Afshin Shoeibi외 10명|arXiv (Cornell University)|2022. 10. 26.

Viral Infections and Immunology Research인용 수 10

한 줄 요약

이 연구는 뷰어전 트랜스포머, 특히 터뷸런스 뉴럴 트랜스포머(TNT)를 사용하여 심장 MRI에서 간염을 자동으로 탐지하는 딥러닝 기반의 컴퓨터 지원 진단 시스템(CADS)을 제안하며, 10겹 교차검증을 통해 99.73%의 정확도를 달성한다. 이 시스템은 설명 가능한 AI 기반의 Grad-CAM을 통합하여 의심스러운 영역을 국소화함으로써 저대비 CMRI 문제를 해결하고 방사선의사의 작업 부담을 줄인다.

ABSTRACT

Myocarditis is a significant cardiovascular disease (CVD) that poses a threat to the health of many individuals by causing damage to the myocardium. The occurrence of microbes and viruses, including the likes of HIV, plays a crucial role in the development of myocarditis disease (MCD). The images produced during cardiac magnetic resonance imaging (CMRI) scans are low contrast, which can make it challenging to diagnose cardiovascular diseases. In other hand, checking numerous CMRI slices for each CVD patient can be a challenging task for medical doctors. To overcome the existing challenges, researchers have suggested the use of artificial intelligence (AI)-based computer-aided diagnosis systems (CADS). The presented paper outlines a CADS for the detection of MCD from CMR images, utilizing deep learning (DL) methods. The proposed CADS consists of several steps, including dataset, preprocessing, feature extraction, classification, and post-processing. First, the Z-Alizadeh dataset was selected for the experiments. Subsequently, the CMR images underwent various preprocessing steps, including denoising, resizing, as well as data augmentation (DA) via CutMix and MixUp techniques. In the following, the most current deep pre-trained and transformer models are used for feature extraction and classification on the CMR images. The findings of our study reveal that transformer models exhibit superior performance in detecting MCD as opposed to pre-trained architectures. In terms of DL architectures, the Turbulence Neural Transformer (TNT) model exhibited impressive accuracy, reaching 99.73% utilizing a 10-fold cross-validation approach. Additionally, to pinpoint areas of suspicion for MCD in CMRI images, the Explainable-based Grad Cam method was employed.

연구 동기 및 목표

• 저대비 심장 MRI(CMRI) 영상에서 간염을 진단하는 데 어려움을 겪는 문제를 해결하기 위해.
• 환자당 수십 개의 CMRI 슬라이스를 분석하는 데 있어 방사선의사의 작업 부담을 줄이기 위해 자동화된 분석을 수행하기 위해.
• 최신 트랜스포머 아키텍처를 활용하여 분류 성능을 향상시킨 딥러닝 기반의 CADS를 개발하기 위해.
• Grad-CAM을 사용하여 의심스러운 영역을 국소화함으로써 모델의 해석 가능성과 신뢰도를 향상시켜 임상적 신뢰도 및 의사결정 지원을 강화하기 위해.
• 엄격한 교차검증 및 데이터 증강 기법을 사용하여 공개된 데이터셋에서 제안된 시스템을 검증하기 위해.

제안 방법

• 연구는 학습 및 평가에 Z-Alizadeh CMRI 데이터셋을 사용하며, 영상 전처리로 노이즈 제거, 크기 조정 및 CutMix와 MixUp를 활용한 데이터 증강을 수행한다.
• 사전 학습된 뷰어전 트랜스포머 모델, 특히 터뷸런스 뉴럴 트랜스포머(TNT)를 활용하여 특징 추출 및 간염 분류에 대해 미세조정한다.
• 모델의 성능 추정 및 일반화 능력을 확보하기 위해 10겹 교차검증 전략을 적용한다.
• 설명 가능한 AI는 Grad-CAM을 활용하여 클래스 활성화 맵을 생성하여 간염과 관련된 CMRI 영상 영역을 강조한다.
• 모델 파이프라인은 전처리, 트랜스포머 기반의 딥 특징 학습, 분류, 임상적 해석 가능성 향상을 위한 후처리를 통합한다.
• 성능 평가는 표준 지표를 사용하며, 주요 결과로 정확도를 보고한다.

실험 결과

연구 질문

• RQ1 뷰어전 트랜스포머는 전통적인 사전 학습된 CNN 아키텍처보다 심장 MRI 영상에서 간염을 분류하는 데 더 뛰어난 성능을 보일 수 있는가?
• RQ2 터뷸런스 뉴럴 트랜스포머(TNT) 모델은 여러 교차검증 폴드에서 간염 탐지에 얼마나 효과적인가?
• RQ3 Grad-CAM은 임상적으로 관련성이 있는 영역을 CMRI 영상에서 얼마나 잘 강조할 수 있는가?
• RQ4 CutMix와 MixUp를 활용한 데이터 증강 기법은 간염 탐지에서 모델의 일반화 능력과 내구성을 향상시키는가?
• RQ5 설명 가능한 AI 기반의 딥러닝 시스템은 높은 진단 정확도를 유지하면서도 방사선의사의 작업 부담을 줄일 수 있는가?

주요 결과

• 터뷸런스 뉴럴 트랜스포머(TNT) 모델은 10겹 교차검증을 통해 간염 탐지에서 최고의 정확도 99.73%를 기록했다.
• 뷰어전 트랜스포머 기반 모델은 기존의 사전 학습된 CNN 아키텍처보다 심장 MRI 영상에서 간염을 분류하는 데 더 뛰어난 성능을 보였다.
• Grad-CAM 방법은 CMRI 영상에서 의심스러운 영역을 성공적으로 국소화하여 모델의 해석 가능성과 임상적 관련성을 향상시켰다.
• 데이터 증강 기법(CutMix 및 MixUp)은 데이터셋 전반에 걸쳐 모델의 내구성과 일반화 능력을 향상시켰다.
• 제안된 CADS는 거의 완벽한 분류 성능을 보이며 임상적 적용 가능성이 높음을 시사했다.
• 딥러닝에 설명 가능한 AI를 통합함으로써 자동 간염 진단의 신뢰도와 투명도가 크게 향상되었다.