[논문 리뷰] Large Scale Automated Reading of Frontal and Lateral Chest X-Rays using Dual Convolutional Neural Networks

Jonathan Rubin, Deepan Sanghavi외 4명|arXiv (Cornell University)|2018. 04. 20.

COVID-19 diagnosis using AI참고 문헌 10인용 수 77

한 줄 요약

본 논문은 대형 MIMIC-CXR 데이터셋에서 CNN을 학습시켜 전면 및 측면 흉부 X선에서 14가지 흉부 소견을 인식하고, DualNet을 도입해 전면과 측면 뷰를 함께 처리하여 독립 모델보다 성능을 개선한다.

ABSTRACT

The MIMIC-CXR dataset is (to date) the largest released chest x-ray dataset consisting of 473,064 chest x-rays and 206,574 radiology reports collected from 63,478 patients. We present the results of training and evaluating a collection of deep convolutional neural networks on this dataset to recognize multiple common thorax diseases. To the best of our knowledge, this is the first work that trains CNNs for this task on such a large collection of chest x-ray images, which is over four times the size of the largest previously released chest x-ray corpus (ChestX-Ray14). We describe and evaluate individual CNN models trained on frontal and lateral CXR view types. In addition, we present a novel DualNet architecture that emulates routine clinical practice by simultaneously processing both frontal and lateral CXR images obtained from a radiological exam. Our DualNet architecture shows improved performance in recognizing findings in CXR images when compared to applying separate baseline frontal and lateral classifiers.

연구 동기 및 목표

• MIMIC-CXR 데이터셋에서 대규모 자동 흉부 질환 분류를 Demonstrate한다.
• 다중 라벨 분류를 위한 전면(PA/AP) 및 측면 뷰별 CNN을 평가한다.
• 전면과 측면 X-레이를 함께 처리하는 DualNet 아키텍처를 제안하고 평가한다.
• DualNet을 전면 및 측면 분류기로부터의 성능 향상을 정량화하기 위해 별도 뷰 기저 모델과 비교한다.

제안 방법

• PA, AP, 및 측면 뷰에 대해 다중 라벨 바이너리 교차 엔트로피를 사용하여 1채널 입력의 DenseNet-121 기반 CNN을 학습한다.
• 글로벌 평균 풀링과 최종 14클래스 시그모이드 출력을 갖는 12–128개의 네트워크를 사용한다.
• 방사선 의학 보고서에서 얻은 NegBio 기반 라벨을 사용해 14가지 흉부 소견(또는 No Finding)으로 매핑한다.
• 이미지를 비율을 보존한 채 512x512로 리사이징하고 [0,1]로 정규화한다.
• 전면과 측면 네트워크의 출력을 최종 분류기 전에 연결(concatenate)하여 융합하는 DualNet 변형을 학습한다.
• 주제-분할 테스트 세트에서 클래스별 AUC를 사용해 평가하고 DualNet을 개별 뷰 기반 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 MIMIC-CXR 데이터셋에서 CNN이 전면 및 측면 흉부 X선에서 일반적인 흉부 질환을 정확히 식별할 수 있는가?
• RQ2 DualNet 아키텍처를 통해 전면 및 측면 뷰를 통합하는 것이 독립 뷰 기반 모델보다 분류 성능을 향상시키는가?
• RQ3 특정 소견에 대해 PA, AP, 및 Lateral 뷰 간 탐지 성능 비교는 어떠한가?
• RQ4 쌍으로 된 전면-측면 데이터를 사용하는 것이 다중 라벨 흉부 질환 탐지에 어떤 영향을 미치는가?

주요 결과

Finding	PA	AP	Lateral	Average
Atelectasis	0.760	0.666	0.753
Cardiomegaly	0.868	0.746	0.794
Consolidation	0.637	0.601	0.644
Edema	0.736	0.745	0.766
Effusion	0.719	0.740	0.754
Fibrosis	0.706	0.643	0.666
Hernia	0.731	0.742	0.788
Infiltration	0.779	0.525	0.731
Mass	0.646	0.624	0.680
No Finding	0.742	0.677	0.765
Nodule	0.534	0.603	0.556
Pleural Thickening	0.688	0.620	0.660
Pneumonia	0.611	0.602	0.635
Pneumothorax	0.672	0.631	0.686
Average	0.702	0.655	0.706

• PA 모델이 전면 뷰 중 평균 AUC에서 최고치를 달성(0.702)하고 AP는 0.655이다.
• 측면 뷰 모델이 단일 뷰 모델 중에서 평균 AUC 최고치를 달성한다(0.706).
• DualNet은 대부분의 PA+Lateral(12/14) 및 AP+Lateral(10/14) 케이스에서 개별 전면 및 측면 분류기보다 일관되게 우수한 성능을 보인다.
• PA+Lateral의 경우 DualNet 평균 AUC = 0.721로 독립 모델의 0.690보다 높다.
• AP+Lateral의 경우 DualNet 평균 AUC = 0.668로 독립 모델의 0.637보다 높다.
• 전반적으로 이중 뷰 공동 처리로 여러 소견에서 강건한 이득이 나타난다.