[논문 리뷰] Quantifying the Value of Lateral Views in Deep Learning for Chest X-rays

Mohammad Hashir, Hadrien Bertrand외 1명|arXiv (Cornell University)|2020. 02. 07.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 연구는 PadChest 데이터셋을 활용하여 딥러닝 모델에서 횡단면 흉부 X선 영상의 가치를 조사한다. 이 데이터셋은 다수의 영상 뷰와 200개의 방사선학적 레이블을 포함한다. 연구는 횡단면 영상의 통합이 32개의 레이블에 대해 성능 향상을 이끌어내며, 이는 오직 정위(anteposterior, PA) 영상만을 사용할 경우 학습 데이터 크기를 두 배로 늘였을 때의 성능 향상과 동일한 수준임을 보여준다. 이는 다양한 병변에서 횡단면 영상이 차지하는 기여도가 크지만, 병변에 따라 다름을 시사한다.

ABSTRACT

Most deep learning models in chest X-ray prediction utilize the posteroanterior (PA) view due to the lack of other views available. PadChest is a large-scale chest X-ray dataset that has almost 200 labels and multiple views available. In this work, we use PadChest to explore multiple approaches to merging the PA and lateral views for predicting the radiological labels associated with the X-ray image. We find that different methods of merging the model utilize the lateral view differently. We also find that including the lateral view increases performance for 32 labels in the dataset, while being neutral for the others. The increase in overall performance is comparable to the one obtained by using only the PA view with twice the amount of patients in the training set.

연구 동기 및 목표

• 횡단면 흉부 X선 영상 뷰가 방사선학적 레이블 예측을 위한 딥러닝 성능에 미치는 영향을 평가하는 것.
• 다중 뷰 학습에서 PA 및 횡단면 영상 뷰를 융합하기 위한 다양한 전략을 비교하는 것.
• 다양한 방사선학적 상태에서 횡단면 영상이 일관되게 모델 성능을 향상시키는지 확인하는 것.
• 횡단면 영상의 성능 향상 정도를 학습 데이터 크기를 두 배로 늘였을 때와 비교하여 정량화하는 것.

제안 방법

• 10만 건 이상의 흉부 X선 영상과 200개의 방사선학적 레이블을 포함한 PadChest 데이터셋을 사용하였다.
• 정위(PA) 및 횡단면 영상에서 추출한 특징을 융합하는 다양한 융합 기법을 사용하여 딥러닝 모델을 훈련시켰다.
• 조기, 후기, 중간 단계 특징 융합과 같은 다양한 융합 전략을 평가하여 횡단면 정보가 어떻게 활용되는지 분석하였다.
• 모든 200개의 레이블에 대해 횡단면 영상 유무에 따라 모델 성능을 비교하여 성능 향상 및 영향이 없는 경우를 식별하였다.
• 학습 데이터 크기를 두 배로 늘인 PA 영상 전용 데이터셋과 비교하여 성능 향상의 기준을 설정하였다.

실험 결과

연구 질문

• RQ1 횡단면 흉부 X선 영상 뷰를 통합할 경우 딥러닝 모델의 방사선학적 레이블 예측 성능에 어떤 영향을 미치는가?
• RQ2 PA 및 횡단면 영상 뷰 간의 융합 전략 중에서 가장 효과적인 성능 향상을 이끌어내는 것은 무엇인가?
• RQ3 몇 개의 방사선학적 레이블에서 횡단면 영상이 예측 정확도 향상에 유의미한 기여를 하는가?
• RQ4 횡단면 영상의 성능 향상 정도는 PA 영상 전용 학습 데이터 크기를 두 배로 늘였을 때의 성능 향상과 어떻게 비교되는가?

주요 결과

• PadChest 데이터셋의 200개 방사선학적 레이블 중 32개에 대해 횡단면 영상의 통합이 모델 성능 향상을 이끌어냈다.
• 횡단면 영상 사용으로 인한 전체 성능 향상은 오직 PA 영상만을 사용할 경우 학습 데이터 수를 두 배로 늘였을 때의 향상 수준과 유사하였다.
• 다양한 융합 방법은 횡단면 영상 정보를 서로 다른 방식으로 활용하였으며, 이는 모델 아키텍처가 횡단면 특징을 어떻게 활용하는지에 큰 영향을 미친다는 것을 시사한다.
• 나머지 168개의 레이블에 대해서는 횡단면 영상의 통합이 성능에 유의미한 영향을 주지 않았으며, 이는 뷰에 따라 특정 기여도를 가짐을 시사한다.
• 결과적으로 횡단면 영상이 모든 병변에 대해 반드시 유익한 것은 아니지만, 효과적인 모델 설계를 통해 통합될 경우 특정 병변에 대해 상당한 가치를 제공한다는 점을 입증한다.