[논문 리뷰] Do Lateral Views Help Automated Chest X-ray Predictions?

Hadrien Bertrand, Mohammad Hashir외 1명|arXiv (Cornell University)|2019. 04. 17.

COVID-19 diagnosis using AI참고 문헌 8인용 수 10

한 줄 요약

이 연구는 PadChest 데이터셋에서 DenseNet 모델을 사용한 자동 병변 예측에 횡단면 흉부 X-ray 영상이 개선되는지 평가한다. 횡단면 영상은 56개 레이블 중 8개에서 성능을 향상시키며, 특히 흉수 및 횡격막 이상에서 두드러진다. 21개 레이블에 대해서는 PA 영상과 유사한 성능을 보이며, 다중 영상 기반 영상의학 AI에서 횡단면 영상의 전략적 활용 가능성을 시사한다.

ABSTRACT

Most convolutional neural networks in chest radiology use only the frontal posteroanterior (PA) view to make a prediction. However the lateral view is known to help the diagnosis of certain diseases and conditions. The recently released PadChest dataset contains paired PA and lateral views, allowing us to study for which diseases and conditions the performance of a neural network improves when provided a lateral x-ray view as opposed to a frontal posteroanterior (PA) view. Using a simple DenseNet model, we find that using the lateral view increases the AUC of 8 of the 56 labels in our data and achieves the same performance as the PA view for 21 of the labels. We find that using the PA and lateral views jointly doesn't trivially lead to an increase in performance but suggest further investigation.

연구 동기 및 목표

• 단일 후면전면(PA) 영상만을 사용하는 것과 비교해 횡단면 흉부 X-ray 영상의 통합이 자동 병변 분류 성능을 향상시키는지 조사하는 것.
• 대규모 다중 영상 데이터셋에서 56종의 영상 진단에 걸쳐 횡단면 영상의 상대적 기여도를 평가하는 것.
• 간단한 융합 전략을 통해 PA 및 횡단면 영상을 융합했을 때 일관된 성능 향상이 발생하는지 평가하는 것.
• 횡단면 영상이 PA 영상보다 임상적으로 의미 있는 진단 정보를 제공하는 특정 병변을 특정하는 것.
• PadChest 데이터셋의 약한 감독 레이블이 후속 딥러닝 작업에서의 타당성에 미치는 영향을 검증하는 것.

제안 방법

• 60-20-20 훈련-검증-테스트 분할을 사용해 PA 영상 전용 및 횡단면 영상 전용의 단일 DenseNet 모델을 훈련시켰다.
• 클래스 불균형을 보완하기 위해 빈도 기반 가중치를 1에서 5 사이로 클램프한 클래스 가중 이진 교차 엔트로피 손실을 적용했다.
• 입력 정규화를 위해 중심 컷팅 및 픽셀 값 스케일링을 통해 [-1, 1] 범위로 데이터 증강을 수행했다.
• 검증 AUC 기반으로 각 레이블별 최고 성능 모델을 선택하였으며, 조기 정지 및 모델당 5회의 무작위 가중치 초기화를 실시했다.
• 샘플 수 증가 및 훈련 안정성 향상을 위해 원래의 194개 레이블을 56개의 최상위 레이블로 매핑했다.
• 테스트 세트에서 수신기 작동 특성 곡선 아래 면적(AUC)을 사용해 성능을 평가하였으며, 여러 무작위 시드 기반 결과를 레이블별로 시각화했다.

실험 결과

연구 질문

• RQ1 56개 영상 진단 레이블 중 횡단면 영상이 PA 영상만을 사용할 때보다 모델 성능을 향상시키는 데 기여하는 경우는 몇 개인가?
• RQ2 특정 병변에 대해 횡단면 영상이 PA 영상보다 훨씬 더 많은 진단 정보를 제공하는가?
• RQ3 간단한 조기 또는 후기 융합 전략을 통해 PA 및 횡단면 영상을 융합했을 때 레이블 간 일관된 성능 향상이 발생하는가?
• RQ4 무작위 시드에 따른 모델 변동성이 PA 영상과 횡단면 영상 간 성능 비교의 신뢰성에 어떤 영향을 미치는가?
• RQ5 PadChest 데이터셋의 약한 감독 레이블이 관찰된 성능 추세의 타당성에 어느 정도 영향을 미치는가?

주요 결과

• 횡단면 영상은 PA 영상만을 사용할 때보다 AUC 성능을 향상시켰으며, 이는 흉수, 인공 심장판막, 반측 횡격막 상승 등의 레이블에서 나타났다.
• 21개 레이블에 대해서는 횡단면 영상이 PA 영상과 유사한 성능을 보였으며, 여러 무작위 시드 기반 AUC 차이가 표준편차 이내였다.
• 모든 56개 레이블의 평균 가중 AUC는 0.79였으며, 이는 단순한 DenseNet 아키텍처를 사용했음에도 강력한 기초 성능을 나타낸다.
• 간단한 융합 전략을 통해 두 영상을 융합했을 때 일관된 성능 향상이 나타나지 않았고, 무작위 시드 간 변동성이 높아 다중 영상 통합의 복잡한 과제를 시사한다.
• 결과적으로 횡단면 영상이 항상 유익한 것은 아니지만, 심장, 횡격막 및 후방 폐 구조 병변에서 특히 유용하다는 점을 시사한다.
• 일부 레이블에 대해 성능 변동성이 높아, MIMIC-CXR 및 CheXpert와 같은 더 크고 다양한 데이터셋에서의 추가 검증이 필요하다.