[논문 리뷰] Deep Learning for Pneumothorax Detection and Localization in Chest Radiographs

André Gooßen, Hrishikesh Deshpande외 6명|arXiv (Cornell University)|2019. 07. 16.

COVID-19 diagnosis using AI참고 문헌 12인용 수 18

한 줄 요약

이 논문은 흉부 X선에서 기흉을 검출하고 국소화하기 위한 세 가지 딥러닝 접근법—합성곱 신경망(CNN), 다중 예제 학습(MIL), 완전 합성곱 신경망(FCN)—을 제안하고 평가한다. CNN은 AUC 0.96을 기록했으며, 세 모델의 앙상블는 AUC 0.965를 달성하여 임상적 선별 응용 분야에서 뛰어난 성능을 보였다.

ABSTRACT

Pneumothorax is a critical condition that requires timely communication and immediate action. In order to prevent significant morbidity or patient death, early detection is crucial. For the task of pneumothorax detection, we study the characteristics of three different deep learning techniques: (i) convolutional neural networks, (ii) multiple-instance learning, and (iii) fully convolutional networks. We perform a five-fold cross-validation on a dataset consisting of 1003 chest X-ray images. ROC analysis yields AUCs of 0.96, 0.93, and 0.92 for the three methods, respectively. We review the classification and localization performance of these approaches as well as an ensemble of the three aforementioned techniques.

연구 동기 및 목표

• 흉부 X선에서 기흉을 조기에 검출하기 위한 자동화된 딥러닝 시스템을 개발하는 것, 이는 즉각적인 조치가 필요한 심각한 상태이다.
• 분류 및 국소화 모두에서 세 가지 딥러닝 아키텍처—CNN, MIL, FCN—의 성능를 비교하는 것.
• 개별 모델을 초월해 검출 정확도를 향상시킬 수 있는 앙상블 학습의 가능성을 평가하는 것.
• 특히 ACR에서 정의한 카테고리 1 결과에 대해 이러한 모델의 임상적 유용성을 평가하는 것.
• 특히 FCN의 픽셀 수준 세분화를 통해 각 방법의 해석 가능성과 국소화 신뢰도를 조사하는 것.

제안 방법

• 이중 기흉 분류를 위해 NIH ChestX-ray14 데이터셋에서 미세조정된 ResNet-50 변형(입력 해상도 448×448, 단일 채널 입력)을 사용한다.
• 다중 예제 학습(MIL)은 각 X선을 겹치는 패치로 나누고, 사전 훈련된 CNN을 패치 분류기로 사용하며, 패치 점수에 대해 최대 풀링을 적용하여 이미지 수준의 레이블을 예측한다.
• U-Net 기반 완전 합성곱 신경망(FCN)은 딱지 손실과 학습률 스케줄링을 사용하여 기흉 영역의 세분화를 위한 엔드 투 엔드 픽셀 수준 분류를 수행한다.
• 앙상블 모델은 선형 가중치를 사용해 CNN, MIL, FCN의 예측을 조합하며, AUC를 최대화하기 위해 완전 탐색을 통해 최적화된다.
• 1,003장의 흉부 X선 영상 데이터셋에 대해 5겹 교차검증을 적용하여 성능 평가의 신뢰성을 확보한다.
• 모든 모델는 표준 지표인 AUC, 딱지 계수, 특정 운영 지점에서의 TPR/FPR을 사용하여 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 트랜스퍼 러닝을 사용할 때, 미세조정된 ResNet-50이 기흉 검출에서 높은 AUC를 달성할 수 있는가?
• RQ2 MIL은 픽셀 수준의 애너테이션을 요구하지 않고 분류 및 국소화를 동시에 수행하는 데 얼마나 효과적인가?
• RQ3 FCN의 픽셀 수준 세분화 성능는 이미지 수준 방법에 비해 국소화 정확도와 딱지 계수 측면에서 어떻게 비교되는가?
• RQ4 세 모델을 앙상블하면 개별 모델에 비해 전반적인 검출 성능이 유의미하게 향상되는가?
• RQ5 임상적 워크리스트 우선순위 지정을 위해 높은 AUC와 낮은 위양성 비율 사이에서 가장 균형 잡힌 성능을 보이는 모델은 무엇인가?

주요 결과

• CNN은 1,003장의 영상 데이터셋에서 AUC 0.96을 기록하여 MIL(AUC 0.93)과 FCN(AUC 0.92)를 모두 앞섰다.
• CNN, MIL, FCN의 앙상블는 최고의 AUC 0.965를 기록했지만, CNN 단독 성능에 비해 유의미하게 높지는 않았다.
• FCN은 긍정적으로 분류된 케이스에서 평균 딱지 계수 54.2%를 기록하여 중간 수준의 국소화 정확도를 보였다.
• 1% 위양성 비율에서 FCN는 기흉 케이스의 57%를 검출했고, 앙상블는 68%를 검출했다.
• CNN과 FCN 조합은 AUC 0.962를 기록하여 최고의 이중 모델 앙상블 성능를 달성했다.
• 모델들은 5겹 교차검증 전반에서 안정적인 성능를 보였으며, AUC 값은 0.92에서 0.96 사이를 유지했다.