[논문 리뷰] Detecting hip fractures with radiologist-level performance using deep neural networks

William A. Gale, Luke Oakden‐Rayner외 3명|arXiv (Cornell University)|2017. 11. 17.

Hip and Femur Fractures참고 문헌 10인용 수 54

한 줄 요약

DenseNet 기반의 심층 CNN 시스템이 전방 골반 X선 사진을 분석하여 고관절 골절을 방사선 전문의 수준의 성능으로 탐지하고, 대규모 보류 테스트 세트에서 AUC 0.994를 달성합니다.

ABSTRACT

We developed an automated deep learning system to detect hip fractures from frontal pelvic x-rays, an important and common radiological task. Our system was trained on a decade of clinical x-rays (~53,000 studies) and can be applied to clinical data, automatically excluding inappropriate and technically unsatisfactory studies. We demonstrate diagnostic performance equivalent to a human radiologist and an area under the ROC curve of 0.994. Translated to clinical practice, such a system has the potential to increase the efficiency of diagnosis, reduce the need for expensive additional testing, expand access to expert level medical image interpretation, and improve overall patient outcomes.

연구 동기 및 목표

• 놓친 골절과 영상 비용을 줄이기 위해 자동화되고 정확한 고관절 골절 탐지를 촉진한다.
• 강력한 딥러닝 파이프라인을 학습시키기 위해 대규모 실제 데이터 세트를 활용한다.
• 부적합한 연구를 제외하고, 대퇴골경부를 위치시키며, 골절을 자동으로 탐지하는 엔드-투-엔드 시스템을 개발한다.

제안 방법

• 레이어당 12개의 피처와 1.43M 매개변수를 가진 DenseNet-172 CNN을 사용한다.
• 주 골절 존재 손실과 2차 위치 손실(관내 대 관외)을 사용하여 학습한다.
• 광범위한 데이터 증강 및 정규화 적용(드롭아웃 0.2, 가중치 감소 1e-5).
• 다음의 세 가지 CNN으로 전처리한다: CNN-frontal은 전방 골반 X선 식별, CNN-bounding은 대퇴골경부 위치 규정, CNN-metal은 금속 임플란트를 제외한다.
• Adam 옵티마이저(lr=1e-4), 25 에포크, 배치 크기 14로 학습하며, PyTorch 하드웨어에서 수행; 총 약 22시간.

실험 결과

연구 질문

• RQ1 깊은 학습 모델이 전방 골반 X선에서 고관절 골절 탐지에 대해 방사선 전문의 수준의 정확도를 달성할 수 있는가?
• RQ2 방사선 전문의 보고와 비교했을 때 완전 자동화 파이프라인의 성능(AUC, 정확도, 정밀도, 재현율)은 어느 정도인가?
• RQ3 자동 위치화가 골절 탐지 성능에 어떤 영향을 미치는가?
• RQ4 데이터 이질성과 전처리가 모델 효능에 미치는 영향은 무엇인가?

주요 결과

모델	정확도	정밀도	재현율	F1
방사선 전문의(추정치)	0.99	0.93	0.97	0.95
우리 결과(고정밀)	0.99	0.97	0.92	0.95
우리 결과(고민감도)	0.99	0.92	0.95	0.94

• 모델은 홀드아웃 테스트 세트에서 ROC AUC 0.994를 달성한다.
• 자동 시스템은 연구 평가 설정에서 인간의 상한 성능과 일치하거나 이를 상회한다.
• 고정밀도 및 고민감도 운영 포인트는 메트릭 전반에서 방사선 전문의 추정치와 유사한 성능을 보인다.
• 전처리 CNN은 입력을 효과적으로 필터링하고, 대퇴골경부를 위치시키며, 금속 임플란트를 포함한 케이스를 제거하여 견고한 골절 탐지를 가능케 한다.
• 최근의 자동화 접근법과 비교하여 DenseNet 기반 시스템은 동일한 테스트 조건에서 더 높은 정확도와 F1를 보인다.