[논문 리뷰] Identification of lung nodules CT scan using YOLOv5 based on convolution neural network

Haytham Al Ewaidat, Youness El Brag|arXiv (Cornell University)|2022. 12. 31.

Radiomics and Machine Learning in Medical Imaging인용 수 6

한 줄 요약

이 연구는 LIDC-IDRI 데이터셋을 사용하여 CT 영상에서 폐 결절을 자동으로 탐지하기 위한 YOLOv5 기반 딥러닝 모델을 제안한다. 239장의 CT 스캔과 280개의 주석이 부여된 결절을 기반으로 훈련된 모델는 평균 정밀도(mAP)가 92.27%를 기록하여 폐 결절의 국소화 및 분류 정확도가 매우 높음을 입증하며, 이는 조기 폐암 진단을 향상시키기 위한 제2의 독자 도구로의 잠재적 활용 가능성을 뒷받침한다.

ABSTRACT

Purpose: The lung nodules localization in CT scan images is the most difficult task due to the complexity of the arbitrariness of shape, size, and texture of lung nodules. This is a challenge to be faced when coming to developing different solutions to improve detection systems. the deep learning approach showed promising results by using convolutional neural network (CNN), especially for image recognition and it's one of the most used algorithm in computer vision. Approach: we use (CNN) building blocks based on YOLOv5 (you only look once) to learn the features representations for nodule detection labels, in this paper, we introduce a method for detecting lung cancer localization. Chest X-rays and low-dose computed tomography are also possible screening methods, When it comes to recognizing nodules in radiography, computer-aided diagnostic (CAD) system based on (CNN) have demonstrated their worth. One-stage detector YOLOv5 trained on 280 annotated CT SCAN from a public dataset LIDC-IDRI based on segmented pulmonary nodules. Results: we analyze the predictions performance of the lung nodule locations, and demarcates the relevant CT scan regions. In lung nodule localization the accuracy is measured as mean average precision (mAP). the mAP takes into account how well the bounding boxes are fitting the labels as well as how accurate the predicted classes for those bounding boxes, the accuracy we got 92.27%. Conclusion: this study was to identify the nodule that were developing in the lungs of the participants. It was difficult to find information on lung nodules in medical literature.

연구 동기 및 목표

• 저선량 CT 스캔에서 폐 결절을 자동으로 탐지하기 위한 딥러닝 기반 시스템을 개발함으로써 조기 진단을 지원하고자 한다.
• 소형, 미세하거나 복잡한 형태의 결절로 인해 방사선 전문의 중심의 결절 스크리닝에서 높은 작업 부담과 오류 발생률을 해결하고자 한다.
• 공개 의료 영상 데이터셋을 기반으로 YOLOv5의 단단계 객체 탐지 프레임워크를 활용하여 탐지 정확도를 향상시키고 가짜 음성 결과를 줄이고자 한다.
• 표준 평가 지표인 mAP, 정밀도, 재현율을 사용하여 모델 성능을 평가함으로써 임상적 관련성을 확보하고자 한다.
• 특히 경험이 적은 방사선 전문의들이 조기 단계 폐 결절을 식별하는 데 도움이 되는 AI를 제2의 독자 도구로 활용할 수 있는지 탐색하고자 한다.

제안 방법

• 연구는 YOLOv5를 사용하여 축합 CT 슬라이스에서 폐 결절을 식별하는 단계적 객체 탐지 모델을 활용하며, 전이 학습 기법을 적용한다.
• 모델은 LIDC-IDRI 데이터셋의 239개 CT 스캔과 280개의 주석이 부여된 결절을 기반으로 훈련되며, 데이터 증강 및 클래스 균형 기법이 적용된다.
• 특징 추출은 YOLOv5 내부의 합성곱 신경망(CNN) 블록을 통해 수행되며, 이는 결절의 계층적 공간 및 텍스처 표현을 학습한다.
• 하이퍼파rameter 튜닝이 적용되었으며, 배치 크기(16), 입력 이미지 크기(416×416), 학습률(0.01), 옵티마이저(SGD)를 145 에포크 동안 설정하였다.
• 훈련 및 검증은 Google Colab GPU(Tesla K80)에서 PyTorch를 사용하여 수행되었으며, 경계 상자 회귀 및 객체 신뢰도 최적화를 위한 손실 함수가 적용되었다.
• 탐지 성능 및 일반화 능력을 평가하기 위해 mAP, 정밀도, 재현율, F1 점수 등의 평가 지표가 계산되었다.

실험 결과

연구 질문

• RQ1 YOLOv5 기반 모델이 저선량 CT 스캔에서 폐 결절 탐지 시 높은 mAP를 달성할 수 있는가?
• RQ2 특히 소형 또는 미세한 결절에 대해 모델의 성능이 방사선 전문의의 판독 결과와 정밀도 및 재현율 측면에서 어떻게 비교되는가?
• RQ3 조기 단계 폐암 스크리닝에서 가짜 음성 결과를 얼마나 줄일 수 있으며, 탐지 민감도를 얼마나 향상시킬 수 있는가?
• RQ4 실제 CT 데이터에서 다양한 형태, 크기, 텍스처를 가진 결절에 대해 모델이 잘 일반화되는가?
• RQ5 경험이 적은 방사선 전문의들이 결절 탐지에 도움을 받을 수 있도록 모델이 효과적인 제2의 독자 도구로 활용될 수 있는가?

주요 결과

• 모델은 평균 정밀도(mAP)가 92.27%를 기록하여 CT 영상에서 폐 결절의 강력한 국소화 및 분류 정확도를 보였다.
• 정밀도는 92.82%에 도달하여 참 양성 결과를 정확히 식별하고 가짜 양성 결과를 최소화하는 데 높은 신뢰성을 보였다.
• F1 점수 및 정밀도-재현율 곡선 분석을 통해 정밀도와 재현율 사이의 균형 잡힌 트레이드오프가 확인되었으며, 신뢰도 임계값 0.5에서 최적 성능을 보였다.
• 경계 상자 회귀 및 객체 존재 신뢰도에 대한 훈련 및 검증 손실이 145 에포크 동안 안정적으로 감소하여 안정적인 수렴과 양호한 일반화 능력을 나타냈다.
• 소형 및 저대비 결절에 대한 탐지 성능 향상이 관찰되어 조기 단계 암 진단에 잠재적 이점을 가짐을 시사했다.
• 결과는 AI 모델이 특히 경험이 적은 방사선 전문의들이 더 높은 재현율을 확보하고 놓친 진단을 줄이는 데 도움을 줄 수 있음을 시사한다.