[논문 리뷰] ChestNet: A Deep Neural Network for Classification of Thoracic Diseases on Chest Radiography

Hongyu Wang, Yong Xia|arXiv (Cornell University)|2018. 07. 09.

COVID-19 diagnosis using AI참고 문헌 15인용 수 101

한 줄 요약

ChestNet은 흉부 X선으로부터 14가지 흉부 질환을 진단하기 위해 분류 분기와 어텐션 분기를 결합하고, ChestX-ray14에서 최첨단 모델을 능가하되 추가 학습 데이터를 사용하지 않는다.

ABSTRACT

Computer-aided techniques may lead to more accurate and more acces-sible diagnosis of thorax diseases on chest radiography. Despite the success of deep learning-based solutions, this task remains a major challenge in smart healthcare, since it is intrinsically a weakly supervised learning problem. In this paper, we incorporate the attention mechanism into a deep convolutional neural network, and thus propose the ChestNet model to address effective diagnosis of thorax diseases on chest radiography. This model consists of two branches: a classification branch serves as a uniform feature extraction-classification network to free users from troublesome handcrafted feature extraction, and an attention branch exploits the correlation between class labels and the locations of patholog-ical abnormalities and allows the model to concentrate adaptively on the patholog-ically abnormal regions. We evaluated our model against three state-of-the-art deep learning models on the Chest X-ray 14 dataset using the official patient-wise split. The results indicate that our model outperforms other methods, which use no extra training data, in diagnosing 14 thorax diseases on chest radiography.

연구 동기 및 목표

• 딥러닝을 이용하여 흉부 X선에서 흉부 질환의 정확하고 접근 가능한 진단을 촉진하는 것.
• 흉부 질환의 위치 추정 및 진단의 약한 감독성 문제를 다룬다.
• 통합 특징 추출-분류 네트워크를 사용하여 수작업으로 설계된 특징 추출의 필요성을 제거한다.

제안 방법

• 두 분기 아키텍처를 도입한다: 일관된 특징 추출 및 분류를 위한 분류 분기와 클래스 라벨을 비정상 위치와 연결하는 어텐션 분기.
• 레이블과 병리학적으로 비정상적인 영역 간의 상관관계를 활용하기 위해 어텐션 메커니즘을 도입하여 질병 영역에 적응적으로 주의를 집중하게 한다.
• 공식 환자-별 분할을 사용하여 ChestX-ray14 데이터셋의 성능을 평가한다.
• 최첨단 모델과의 비교를 위해 데이터셋 외의 추가 학습 데이터를 사용하지 않는다.

실험 결과

연구 질문

• RQ1 주의 메커니즘이 흉부 X선에서 흉부 질환의 위치 추정 및 진단 정확도를 향상시킬 수 있는가?
• RQ2 ChestNet이 추가 학습 데이터에 의존하지 않고 ChestX-ray14에서 우수한 진단 성능을 달성하는가?
• RQ3 주의 요소를 가진 두 분기 아키텍처가 수작업 특징으로 구성된 단일 분기 접근보다 더 효과적인가?
• RQ4 ChestX-ray14 데이터셋의 14개 흉부 질환 범주에서 모델의 성능은 어떠한가?

주요 결과

• ChestNet은 공식 환자-별 분할을 사용하여 ChestX-ray14에서 세 가지 최첨단 딥러닝 모델보다 우수한 성능을 보인다.
• 모델은 ChestX-ray14 이외의 추가 학습 데이터를 요구하지 않고 질병 진단 성능을 향상시킨다.
• 어텐션 분기가 라벨과 병변 위치 간의 상관관계를 활용하여 네트워크가 병리학적으로 비정상적인 영역에 집중하도록 한다.
• 제안된 프레임워크는 일관된 특징 추출-분류 파이프라인을 제공함으로써 수작업 특징 추출에 대한 의존도를 줄인다.