[논문 리뷰] Reinforcement Learning-based Automatic Diagnosis of Acute Appendicitis in Abdominal CT

Walid Abdullah Al, Il Dong Yun외 1명|arXiv (Cornell University)|2019. 09. 02.

Appendicitis Diagnosis and Management인용 수 6

한 줄 요약

이 논문은 복부 CT 영상에서 자동 급성 맹장염 진단을 위한 강화학습(RL)-가이드, 저엔트로피 영역(RLE)-기반 프레임워크를 제안한다. 먼저 RL을 통해 맹장을 국소화하여 검색 공간을 줄이고, 그 다음 국소화된 영역 주변의 작은 패치에 대해 3D CNN을 적용하여 분류하며, 마지막으로 점수 맵에 RLE 검출을 통해 강인성을 향상시킨다. 이 방법은 표준 CNN 접근 방식에 비해 특히 국소화 오류가 발생할 경우에 더 높은 정확도를 달성한다.

ABSTRACT

Acute appendicitis characterized by a painful inflammation of the vermiform appendix is one of the most common surgical emergencies. Localizing the appendix is challenging due to its unclear anatomy amidst the complex colon-structure as observed in the conventional CT views, resulting in a time-consuming diagnosis. End-to-end learning of a convolutional neural network (CNN) is also not likely to be useful because of the negligible size of the appendix compared with the abdominal CT volume. With no prior computational approaches to the best of our knowledge, we propose the first computerized automation for acute appendicitis diagnosis. In our approach, we utilize a reinforcement learning agent deployed in the lower abdominal region to obtain the appendix location first to reduce the search space for diagnosis. Then, we obtain the classification scores (i.e., the likelihood of acute appendicitis) for the local neighborhood around the localized position, using a CNN trained only on a small appendix patch per volume. From the spatial representation of the resultant scores, we finally define a region of low-entropy (RLE) to choose the optimal diagnosis score, which helps improve the classification accuracy showing robustness even under high appendix localization error cases. In our experiment with 319 abdominal CT volumes, the proposed RLE-based decision with prior localization showed significant improvement over the standard CNN-based diagnosis approaches.

연구 동기 및 목표

• 복잡한 대장 해부학적 구조로 인해 맹장이 작고 국소화하기 어려운 점을 감안해, 복부 CT에서 자동 급성 맹장염 진단의 과제를 해결하기 위해.
• 전체 볼륨 대비 맹장의 크기가 극히 작기 때문에 성능이 떨어지는 엔드 투 엔드 CNN의 한계를 극복하기 위해.
• RL을 통한 국소화와 RLE를 통한 강인한 분류 의사결정을 조합한 새로운, 계산 비용이 효율적인 프레임워크를 개발하기 위해.
• 하나의 수동으로 선택된 ROI에 대한 의존도를 줄이기 위해, 하부 복부에서 RL을 사용해 국소화 과정을 자동화하기 위해.
• 분류 점수 맵의 저엔트로피 영역을 집중적으로 분석함으로써 진단 정확도를 향상시키고, 국소화 오차에 대한 강인성을 향상시키기 위해.

제안 방법

• 3D CT 볼륨의 하부 복부 영역에서 맹장을 국소화하기 위해 RL 에이전트를 훈련시켜, 이후 분류에 사용할 검색 공간을 크게 줄인다.
• 각 볼륨의 맹장에 대한 소형 패치 수준의 샘플에 대해 3D CNN을 미세조정하여, RL에 의해 예측된 위치 주변의 국소적 영역에서 맹장염일 확률(분류 점수)을 생성한다.
• 분류 점수는 공간적 점수 맵으로 집계되며, 이는 엔트로피 맵을 계산하는 데 사용된다. 이 엔트로피 맵에서 저엔트로피 영역(RLE)을 식별한다.
• 엔트로피 맵 내 RLE의 국소 최솟값을 탐지하여 최적의 진단 점수를 선택함으로써 노이즈를 줄이고 강인성을 향상시킨다.
• 스페이셜하게 조밀한 추론을 가능하게 하기 위해 네트워크를 완전 컨volution 네트워크(FCN)로 변환하고, 슬라이딩 윈도우 추론을 통해 점수 맵을 재구성한다.
• 계산 비용을 줄이기 위해, 전체 512에 비해 64개의 FCN 추론만 사용하며, 6배의 업샘플링으로도 효과적인 RLE 검출에 충분하다.

실험 결과

연구 질문

• RQ1 강화학습이 복부 CT 영상에서 맹장을 효과적으로 국소화하여 진단에 필요한 검색 공간을 줄일 수 있는가?
• RQ2 최소한의 맹장 샘플에 기반해 훈련된 패치 기반 3D CNN 분류기가 국소화된 영역에 집중할 경우 신뢰할 수 있는 분류 성능을 달성할 수 있는가?
• RQ3 분류 점수 맵에서 저엔트로피 영역(RLE)을 식별함으로써 진단 정확도와 국소화 오차에 대한 강인성이 향상되는가?
• RQ4 제안된 RLE 기반 의사결정 메커니즘은 표준 CNN 기반 분류 대비 정확도와 안정성 측면에서 어떻게 비교되는가?
• RQ5 부분적 업샘플링을 통한 완전 컨volution 네트워크(FCN) 변환은 과도한 계산 비용 없이도 효과적인 RLE 검출에 필요한 충분한 공간 해상도를 유지할 수 있는가?

주요 결과

• 제안된 RLE 기반 의사결정 메커니즘이 표준 CNN 접근 방식에 비해 분류 정확도를 크게 향상시켰으며, 특히 높은 국소화 오차 조건에서 두드러진다.
• RL 가이드된 국소화로 진단에 필요한 검색 공간이 줄어들어, 작은 맹장 전용 패치를 효율적이고 집중적으로 사용한 분류가 가능해졌다.
• 점수 맵 내 저엔트로피 영역(RLE)의 사용은 가장 신뢰할 수 있는 진단 결정 지점을 식별하는 데 기여하여, 노이즈나 불확실한 예측에 대한 민감도를 감소시켰다.
• 6배 업샘플링(64개의 추론)을 통한 FCN 변환은 RLE 검출에 필요한 공간 해상도와 계산 비용 사이에 만족스러운 균형을 이룩했다.
• 이 방법은 국소화 오차에 대해 강인성을 유지하여, RL 에이전트의 예측 위치가 진짜 맹장 위치에서 벗어나도 높은 성능을 유지함을 보였다.
• 이 프레임워크는 RL 기반 국소화와 엔트로피 기반 의사결정 정밀화를 통합한 자동 급성 맹장염 진단의 첫 번째 계산 기반 접근 방식이다.