[논문 리뷰] Learning to recognize Abnormalities in Chest X-Rays with Location-Aware Dense Networks

Sebastian Guendel, Saša Grbić외 5명|arXiv (Cornell University)|2018. 03. 12.

COVID-19 diagnosis using AI참고 문헌 7인용 수 40

한 줄 요약

이 논문은 DNetLoc를 소개합니다. 위치 인식 DenseNet으로 고해상도 흉부 X-레이 영상과 공간 병리 정보를 사용하여 ChestX-Ray14에서의 AUC를 최상위 수준으로 달성하고 환자 단위 분할로 PLCO에서 강한 결과를 얻습니다.

ABSTRACT

Chest X-ray is the most common medical imaging exam used to assess multiple pathologies. Automated algorithms and tools have the potential to support the reading workflow, improve efficiency, and reduce reading errors. With the availability of large scale data sets, several methods have been proposed to classify pathologies on chest X-ray images. However, most methods report performance based on random image based splitting, ignoring the high probability of the same patient appearing in both training and test set. In addition, most methods fail to explicitly incorporate the spatial information of abnormalities or utilize the high resolution images. We propose a novel approach based on location aware Dense Networks (DNetLoc), whereby we incorporate both high-resolution image data and spatial information for abnormality classification. We evaluate our method on the largest data set reported in the community, containing a total of 86,876 patients and 297,541 chest X-ray images. We achieve (i) the best average AUC score for published training and test splits on the single benchmarking data set (ChestX-Ray14), and (ii) improved AUC scores when the pathology location information is explicitly used. To foster future research we demonstrate the limitations of the current benchmarking setup and provide new reference patient-wise splits for the used data sets. This could support consistent and meaningful benchmarking of future methods on the largest publicly available data sets.

연구 동기 및 목표

• 자동화된 흉부 X-레이 이상 소견 탐지를 통해 방사선과의 판독 부담을 지원하고 판독 오류를 줄인다.
• 데이터 누출 문제를 해결하기 위해 환자-단위 분할과 벤치마크를 사용한다.
• 고해상도 입력 및 명시적 공간 위치화를 활용해 분류 정확도를 개선한다.
• principled future comparisons 를 가능하게 하는 대규모 공공 데이터세트에서 새로운 환자-단위 벤치마크를 제공한다.

제안 방법

• Sigmoid 출력을 가진 다중 레이블 분류의 DenseNet-121 변형을 사용한다.
• 초기 두 개의 스트라이드 컨볼루션 계층을 이용해 Gaussian 다운샘플링으로 1024x1024의 고해상도 입력을 반영한다.
• 레이블 불균형을 다루기 위해 클래스 가중치 이진 교차 엔트로피를 적용한다.
• 추가 이진 위치-레이블과 교차 엔트로피 손실을 통해 선택된 병리소견에 대해 PLCO의 공간 위치 정보를 통합한다.
• ChestX-Ray14와 PLCO를 35개의 레이블(14 ChestX-Ray14 + 21 PLCO)로 하나의 학습 프레임워크로 풀링한다.
• Adam 옵티마이저(lr=1e-3, plateaus에서 감소)와 배치 크기 128로 학습한다.]
• }
• research_questions:[

실험 결과

연구 질문

• RQ1 공간 위치 정보를 도입하면 흉부 X-레이 이미지의 병리학적 분류 성능이 향상되는가?
• RQ2 흉부 X-레이 이상에 대해 고해상도 입력으로 학습하는 이점은 무엇인가?
• RQ3 ChestX-Ray14와 PLCO의 데이터를 풀링하는 것이 성능과 벤치마킹에 어떤 영향을 미치는가?
• RQ4 무작위 이미지 분할보다 환자-단위 분할 구성이 더 강건하고 공정한 벤치마킹을 제공하는가?
• RQ5 위치 인식 모델링이 정확도를 높이면서 학습 시간을 어느 정도까지 단축할 수 있는가?

주요 결과

• 제안된 접근법은 ChestX-Ray14의 공식 테스트 분할에서 평균 AUC가 가장 높게 나타났으며(DNet 기본 대비 평균 AUC 약 0.807; 신규 분할에서 평균 AUC 0.841, 표준편차 0.019).
• PLCO 데이터셋에서 위치 정보를 사용하면 공간 레이블이 있는 병리소견의 AUC가 더 높게 나타난다(평균 증가 약 2.3%).
• 결과적으로 위치 정보를 사용하면 ChestX-Ray14와 PLCO 데이터를 결합해 학습했을 때 최종 PLCO 평균 AUC가 0.874에 도달한다.
• 공간 레이블링은 결절(Nodule), 종양(Mass), 육아종(Granuloma), 침윤(Infiltrate), 흉곽 흉터(Scaring), 섬유증(Fibrosis), 뼈/연부 조직 병변(Bone/Soft Tissue Lesion), 심장 이상(Cardiac Abnormality), 삼출(Effusion) 등 병리학별 AUC를 향상시킨다.
• 위치 정보를 사용할 때 학습 시간이 약 2배로 감소한다.
• 이 연구는 이전 벤치마크의 한계를 강조하고 principled 비교를 위한 새로운 환자-단위 분할을 제공한다.