[논문 리뷰] Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection

Michael J. Horry, Subrata Chakraborty외 6명|arXiv (Cornell University)|2022. 01. 24.

Radiomics and Machine Learning in Medical Imaging인용 수 7

한 줄 요약

이 논문은 흉부 X선 영상에 대한 디 biases pre-processing 파이프라인을 제안하여, 폐 결절 탐지에 대한 딥러닝 모델의 일반화 능력을 향상시킨다. 히스토GRAM 균형 조정, 폐 영역 분할, 밀접한 자르기, 갈비뼈 억제를 적용함으로써, 새로운 데이터에 대한 외부 일반화 능력이 향상되어 독립적인 테스트 세트에서 89%의 정확도를 달성한다. 이는 농촌 인구에서 저비용, 프라이버시 보호형 스크리닝을 가능하게 한다.

ABSTRACT

Lung cancer is the leading cause of cancer death worldwide and a good prognosis depends on early diagnosis. Unfortunately, screening programs for the early diagnosis of lung cancer are uncommon. This is in-part due to the at-risk groups being located in rural areas far from medical facilities. Reaching these populations would require a scaled approach that combines mobility, low cost, speed, accuracy, and privacy. We can resolve these issues by combining the chest X-ray imaging mode with a federated deep-learning approach, provided that the federated model is trained on homogenous data to ensure that no single data source can adversely bias the model at any point in time. In this study we show that an image pre-processing pipeline that homogenizes and debiases chest X-ray images can improve both internal classification and external generalization, paving the way for a low-cost and accessible deep learning-based clinical system for lung cancer screening. An evolutionary pruning mechanism is used to train a nodule detection deep learning model on the most informative images from a publicly available lung nodule X-ray dataset. Histogram equalization is used to remove systematic differences in image brightness and contrast. Model training is performed using all combinations of lung field segmentation, close cropping, and rib suppression operators. We show that this pre-processing pipeline results in deep learning models that successfully generalize an independent lung nodule dataset using ablation studies to assess the contribution of each operator in this pipeline. In stripping chest X-ray images of known confounding variables by lung field segmentation, along with suppression of signal noise from the bone structure we can train a highly accurate deep learning lung nodule detection algorithm with outstanding generalization accuracy of 89% to nodule samples in unseen data.

연구 동기 및 목표

• 흉부 X선 영상에서 폐 결절 탐지에 대한 딥러닝 모델의 낮은 일반화 능력 문제를 해결하기 위해.
• 다양한 출처에서 오는 영상 변동성(예: 밝기, 대비, 갈비뼈 아티팩트)으로 인한 데이터 편향을 줄이기 위해.
• 농촌 및 서비스가 부족한 인구에서 확장 가능하고 저비용이며 프라이버시를 보호하는 폐암 스크리닝을 가능하게 하기 위해.
• 체계적인 이미지 전처리를 통해 새로운 데이터셋에 대한 모델의 강건성을 향상시키기 위해.
• 개별 전처리 구성 요소가 모델 일반화 능력 향상에 기여하는 바를 검증하기 위해.

제안 방법

• 모든 데이터셋 간의 이미지 밝기와 대비를 표준화하기 위해 히스토GRAM 균형 조정을 적용하기 위해.
• 관심 영역을 고립하고 관련 없는解부학적 구조를 제거하기 위해 폐 영역 분할을 사용하기 위해.
• 폐 영역에 집중하고 배경 노이즈를 줄이기 위해 밀착 자르기 구현하기 위해.
• 결절 탐지에서 뼈 구조의 간섭을 최소화하기 위해 갈비뼈 억제를 적용하기 위해.
• 이러한 전처리 단계를 파이프라인으로 조합하고, 모든 연산자 조합을 사용하여 딥러닝 모델을 훈련하기 위해.
• 가장 정보적인 이미지를 선택하기 위해 진화적 프루닝 메커니즘을 활용하기 위해.

실험 결과

연구 질문

• RQ1 체계적인 전처리 파이프라인이 흉부 X선 영상의 디 biases를 제거함으로써, 새로운 데이터에 대한 딥러닝 모델의 일반화 능력을 향상시키는가?
• RQ2 전처리 파이프라인의 개별 구성 요소(예: 갈비뼈 억제, 히스토GRAM 균형 조정) 중에서 일반화 능력 향상에 가장 기여하는 요소는 무엇인가?
• RQ3 단일 데이터셋에서 훈련된 디 biases 모델이 독립적이고 외부 테스트 세트로 효과적으로 일반화되는가?
• RQ4 이미지 통일화와 선택적 이미지 프루닝의 조합이 탐지 정확도와 강건성에 어떤 영향을 미치는가?
• RQ5 이 파이프라인이 농촌 의료 환경에서 프라이버시 보호형 배포를 위한 연합 학습에 얼마나 효과적으로 기여할 수 있는가?

주요 결과

• 디 biases 파이프라인이 모델의 일반화 능력을 크게 향상시켜, 독립적이고 새로운 폐 결절 데이터셋에서 89%의 정확도를 달성했다.
• 절단 실험을 통해 각 구성 요소—특히 갈비뼈 억제와 히스토GRAM 균형 조정—이 성능 향상에 의미 있는 기여를 했다.
• 폐 영역 분할과 밀착 자르기는 모델이 불필요한 해부학적 변형과 배경 노이즈에 민감하지 않게 하였다.
• 진화적 프루닝 메커니즘이 정보적인 이미지를 효과적으로 선택하여 훈련 효율성과 모델 성능을 향상시켰다.
• 전처리 기법의 조합이 원시 또는 최소한의 전처리를 거친 이미지로 훈련된 기준 모델보다 성능이 뛰어났다.
• 다양한 데이터 출처 간의 데이터 동질성 확보와 편향 감소를 통해, 파이프라인이 연합 학습 환경에서의 배포를 지원한다.