[논문 리뷰] Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning

Yan Han, Chongyan Chen외 3명|arXiv (Cornell University)|2021. 01. 12.

COVID-19 diagnosis using AI참고 문헌 20인용 수 5

한 줄 요약

이 논문은 흉부 X선 분석에서 정확도와 해석 가능성 향상을 위해 방사형 특징(radiomic features)과 대비 학습(contrastive learning)을 통합한 새로운 폐렴 감지 프레임워크를 제안한다. CNN에서 추출한 이미지 특징을 수동으로 생성한 방사형 특징과 대비 손실를 통해 정렬함으로써, RSNA 데이터셋에서 92.7%의 F1 스코어를 달성하여 기준 모델보다 10个百分点 이상 높이며, 폐렴 영향을 받은 영역에 대한 주의 집중도 향상됨.

ABSTRACT

Chest X-ray becomes one of the most common medical diagnoses due to its noninvasiveness. The number of chest X-ray images has skyrocketed, but reading chest X-rays still have been manually performed by radiologists, which creates huge burnouts and delays. Traditionally, radiomics, as a subfield of radiology that can extract a large number of quantitative features from medical images, demonstrates its potential to facilitate medical imaging diagnosis before the deep learning era. With the rise of deep learning, the explainability of deep neural networks on chest X-ray diagnosis remains opaque. In this study, we proposed a novel framework that leverages radiomics features and contrastive learning to detect pneumonia in chest X-ray. Experiments on the RSNA Pneumonia Detection Challenge dataset show that our model achieves superior results to several state-of-the-art models (> 10% in F1-score) and increases the model's interpretability.

연구 동기 및 목표

• 흉부 X선 영상 해석 시 진단 효율성이 낮고 영상의학 전문의의 작업 부담이 높은 문제를 해결하기 위해.
• 의료 영상에서 딥러닝 모델의 투명성 부족 문제를 해결하기 위해 설명 가능한 방사형 특징을 통합함으로써.
• 텍스트 보고서가 필요 없이 영역에 초점을 맞춘 이미지 수준의 표현과 방사형 특징을 대비 학습을 통해 정렬함으로써.
• 도메인 전문 방사형 지식과 딥러닝 표현을 융합함으로써 모델 성능과 해석 가능성을 향상시키기 위해.
• 대량의 레이블이 없는 데이터를 효과적으로 활용하기 위해 대비 표현 학습을 활용하여 고비용 레이블링에 대한 의존도를 줄이기 위해.

제안 방법

• 표준 방사형 특징 파이프라인을 사용하여 흉부 X선 영상의 수동으로 주석 처리된 관심 영역(ROIs)에서 방사형 특징을 추출함.
• 주의 메커니즘을 갖춘 ResNet-18 기반의 CNN을 훈련하여 흉부 X선 영상에서 이미지 수준의 표현을 학습함.
• 양방향 대비 손실을 적용하여 양성 쌍(이미지와 해당 방사형 특징) 간의 일치를 최대화하고, 음성 쌍(임의의 이미지-방사형 특징 조합) 간의 일치를 최소화함.
• 레이블이 없는 대량의 흉부 X선 영상과 그에 해당하는 방사형 특징을 사용하여 대비 학습을 통해 사전 훈련함.
• 폐렴 분류를 위해 RSNA 폐렴 감지 챌린지 데이터셋에서 모델을 종단 간(end-to-end)으로 미세 조정함.
• 주의 맵을 시각화하여 모델이 생물학적으로 관련 있는 영역에 집중하는지 평가하고 검증함으로써 해석 가능성을 향상시킴.

실험 결과

연구 질문

• RQ1 딥러닝과 방사형 특징을 융합함으로써 흉부 X선 영상에서 폐렴 감지 성능을 향상시킬 수 있는가?
• RQ2 이미지 특징과 방사형 특징 간의 대비 학습이 의료 영상에서 표현 학습을 향상시키는가?
• RQ3 기본적인 딥러닝 모델에 비해 제안된 프레임워크가 모델의 해석 가능성에 얼마나 기여하는가?
• RQ4 전체 영상 기반 방사형 특징 추출과 ROI 기반 방사형 특징 추출 간 성능 비교는 어떻게 되는가?
• RQ5 미래의 확장에서 약한 지도 학습을 통해 전문가가 주석 처리한 경계 상자에 대한 의존도를 줄이면서도 높은 성능을 유지할 수 있는가?

주요 결과

• 제안된 ResNet-18AttRadi 모델은 RSNA 폐렴 감지 챌린지 데이터셋에서 92.7%의 F1 스코어를 기록하여 ResNet-18(78.2%)과 ResNet-18Att(82.6%)보다 10个百分点 이상 높음.
• 방사형 특징을 포함한 모델(ResNet-18AttRadi)은 AUC 0.923을 달성하여 기준 모델인 ResNet-18(0.795)보다 유의미하게 높음.
• ROI 대신 전체 영상에서 방사형 특징을 추출한 경우에도 F1 스코어가 5.8个百分点 향상됨(82.6%에서 88.4%로), 방사형 특징의 가치를 확인함.
• ResNet-18AttRadi 모델의 주의 맵은 폐렴 영향을 받은 영역에 더 정확하게 집중되어 표준 ResNet-18Att 모델보다 노이즈가 적음.
• 대비 학습 사전 훈련 단계에서 손실 수렴이 빠르게 이루어져 몇 에포크 내에 효율적이고 효과적인 특징 학습이 가능함을 보여줌.
• 제거 실험(ablation study)를 통해 방사형 특징과 대비 학습의 조합이 경계 상자 주석이 없을 경우에도 성능 향상에 상호 보완적인 효과를 제공함을 확인함.