[논문 리뷰] Self-Guided Multiple Instance Learning for Weakly Supervised Disease Classification and Localization in Chest Radiographs

Constantin Seibold, Jens Kleesiek외 2명|arXiv (Cornell University)|2020. 09. 30.

COVID-19 diagnosis using AI참고 문헌 52인용 수 5

한 줄 요약

이 논문은 네트워크의 자체 예측에서 동적이고 신뢰도를 반영한 인스턴스 수준의 감독을 생성함으로써 흉부 X-ray에서 약한 감독 기반 질병 분류 및 국소화 성능을 향상시키는 자기 지도형 다중 인스턴스 학습(SGL) 손실을 제안한다. 특징 맵을 전경, 배경, 모호한 영역으로 분리함으로써, 아키텍처 변경 없이 NIH ChestX-ray14 및 MIL 전용 벤치마크에서 최신 기준을 초월하는 국소화 정밀도와 분류 정확도를 향상시킨다.

ABSTRACT

The lack of fine-grained annotations hinders the deployment of automated diagnosis systems, which require human-interpretable justification for their decision process. In this paper, we address the problem of weakly supervised identification and localization of abnormalities in chest radiographs. To that end, we introduce a novel loss function for training convolutional neural networks increasing the \emph{localization confidence} and assisting the overall \emph{disease identification}. The loss leverages both image- and patch-level predictions to generate auxiliary supervision. Rather than forming strictly binary from the predictions as done in previous loss formulations, we create targets in a more customized manner, which allows the loss to account for possible misclassification. We show that the supervision provided within the proposed learning scheme leads to better performance and more precise predictions on prevalent datasets for multiple-instance learning as well as on the NIH~ChestX-Ray14 benchmark for disease recognition than previously used losses.

연구 동기 및 목표

• 정밀한 애너테이션 부족으로 인해 흉부 레이저 영상에서 약한 감독 기반 국소화에 도전하는 문제를 해결하기 위해.
• 이미지 수준의 레이블만을 사용하여 질병 분류 및 국소화 성능을 향상시키기 위해.
• 내부 네트워크 예측을 활용하여 아키텍처 수정 없이 보조 감독을 생성하는 손실 함수를 개발하기 위해.
• 특징 맵 내 고신뢰도, 모호한, 배경 영역을 구분하여 보다 정밀하고 확신 있는 국소화를 달성하기 위해.

제안 방법

• 이 방법은 이중 단계 학습 프로세스를 도입한다: 첫째, 표준 백 수준 분류; 둘째, 인스턴스 수준 예측을 활용한 자기 지도형 보완.
• 네트워크의 특징 맵 예측을 세 영역으로 분할한다: 전경(고신뢰도 양성), 배경(고신뢰도 음성), 모호한(저신뢰도) 패치.
• 신뢰도 가중치가 부여된 타겟을 이들 영역에 할당하는 새로운 손실 함수를 설계하여, 네트워크가 동적 감독을 통해 자체를 지도하는 방식으로 국소화를 향상시킨다.
• 엄격한 이진 타겟을 피하기 위해 불확실성을 통합함으로써, 학습 중 오분류 위험을 더 잘 다룰 수 있도록 한다.
• 정점 활성화 영역에서부터 최소 거리 이웃 보간을 사용하여 국소화 평가를 위한 바운딩 박스를 생성한다.
• 모든 완전 컨volutional MIL 프레임워크와 호환되며, 추가 네트워크나 후처리가 필요하지 않다.

실험 결과

연구 질문

• RQ1 추가 애너테이션 없이도 자기 생성된 인스턴스 수준의 감독이 흉부 X-ray에서 약한 감독 기반 국소화 성능을 향상시킬 수 있는가?
• RQ2 전경, 배경, 모호한 영역으로 구성된 신뢰도 인식 영역 분할이 표준 MIL 손실과 비교해 국소화 정밀도에 어떤 영향을 미치는가?
• RQ3 제안된 자기 지도형 손실은 최신 기준 방법과 비교해 NIH ChestX-ray14 벤치마크에서 분류 및 국소화 성능을 어느 정도 향상시킬 수 있는가?
• RQ4 추가 바운딩 박스 감독이나 아키텍처 수정을 사용하는 베이스라인과 비교해도 제안된 손실이 우월한가?

주요 결과

• 제안된 SGL 손실은 NIH ChestX-ray14에서 IoU 임계치 0.5일 때 평균 질병 국소화 정확도 0.66을 달성하여, Wang et al. [6] (0.63) 및 Li et al. [21]* (0.73)를 초월하는 평균 성능을 보였다.
• 동일한 벤치마크에서 SGL는 경쟁력 있는 분류 AUC 스코어를 달성하였으며, 14개 병변 전반에서 Wang et al. [6]의 베이스라인 ResNet-50을 초월하였다.
• 가장 도전적인 IoU 임계치(0.7)에서 SGL는 0.01의 평균 국소화 정확도를 기록하여, Wang et al. [6] (0.01)를 초월하고, 이 마저도 최고 성능을 기록한 Liu et al. [22]와 동일한 성능을 보였다.
• 정성적 결과에서는 SGL가 평균 풀링 베이스라인 대비 더 정밀하고 명확한 예측을 생성하여, 병변 조직과 건강한 조직을 명확히 분리하는 것으로 나타났다.
• NIH ChestX-ray14 데이터셋에서 SGL는 Li et al. [21]* 및 Liu et al. [22]보다 14개 클래스 중 9개에서 더 뛰어난 성능을 기록하여 강력한 일반화 능력을 입증하였다.
• 자기 지도형 손실은 빌드업 시각화에서 병변 주변에 더 타이트하고 정확한 바운딩 박스를 생성함으로써, 더 확신 있는 국소화 예측을 이끌어내었다.