[논문 리뷰] Towards Radiologist-Level Accurate Deep Learning System for Pulmonary Screening

Mrinal Haloi, Rajalakshmi Krishnamurthi외 1명|arXiv (Cornell University)|2018. 06. 25.

COVID-19 diagnosis using AI참고 문헌 9인용 수 10

한 줄 요약

이 논문은 흉부 X선에서 폐렴과 결핵을 진단하는 데 전문의 수준의 정확도를 달성하기 위해 잔차 인셉션 모듈과 부분주의 메커니즘을 갖춘 211층의 깊은 완전 컨volution 신경망을 제안한다. 이 시스템은 공개 데이터셋에서 폐렴에 대해 96.1%의 민감도와 0.985 AUC를 기록했으며, 결핵에 대해서는 92.5%의 민감도와 0.949 AUC를 기록하여 기존 최고 성능을 초월한다.

ABSTRACT

In this work, we propose advanced pneumonia and Tuberculosis grading system for X-ray images. The proposed system is a very deep fully convolutional classification network with online augmentation that outputs confidence values for diseases prevalence. Its a fully automated system capable of disease feature understanding without any offline preprocessing step or manual feature extraction. We have achieved state- of-the- art performance on the public databases such as ChestXray-14, Mendeley, Shenzhen Hospital X-ray and Belarus X-ray set.

연구 동기 및 목표

• 폐렴과 결핵을 자동으로 진단할 수 있는, 전문의 수준의 정확도를 갖춘 자동화된 딥 러닝 기반 AI 시스템을 개발하는 것.
• 개발도상국에서의 전문의 부족 문제를 해결하기 위해, 원격 지역에서 빠르고 신뢰성 있고 구현 가능한 선별을 가능하게 하는 것.
• 폐렴과 결핵의 복잡하고 겹치는 병리학적 특징을 분류할 때 전문의 간의 변동성을 줄이고 진단 정확도를 향상시키는 것.
• 수동적 특징 추출이나 오프라인 전처리 없이, 엔드 투 엔드 딥 러닝을 활용한 완전 자동화된 시스템을 구축하는 것.

제안 방법

• 직접 픽셀에서 레이블로의 분류를 위해 약 4500만 개의 학습 가능한 파rameter와 211층을 갖춘 매우 깊은 완전 컨볼루션 네트워크를 사용한다.
• 특징 표현을 향상시키고 앨리어싱을 줄이기 위해 스위치 연결과 팩터라이즈드 컨볼루션을 적용한 수정된 잔차 인셉션 모듈을 사용한다.
• 고해상도 특징 맵에 주의를 기울이기 위해 부분주의 메커니즘을 적용하여 관련 병리학적 영역을 강조함으로써 표현 학습을 향상시킨다.
• 다중 레이블 분류를 위해 가중치가 부여된 시그모이드 교차 엔트로피 손실을 사용하여 한 번의 이미지에서 폐렴과 결핵을 동시에 탐지할 수 있도록 한다.
• 일반화를 향상시키고 과적합을 방지하기 위해 배치 정규화, 레이블 스무딩, 드롭아웃, 배치 샘플 균형 조정을 적용한다.
• 경사 하강법을 사용한 최적화에 Nesterov 모멘텀과 다항식 학습률 스케줄링을 적용하고, 경사 정규화를 통해 학습을 안정화시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 시스템이 정면 흉부 X선에서 폐렴과 결핵을 진단하는 데 전문의 수준의 정확도를 달성할 수 있는가?
• RQ2 잔차 및 인셉션 모듈을 갖춘 매우 깊은 완전 컨볼루션 네트워크가 폐 질환 탐지에서 특징 학습과 분류 성능을 어떻게 향상시키는가?
• RQ3 주의 메커니즘과 온라인 데이터 증강 기법이 제한된 의료 영상 데이터셋에서 모델의 해석 가능성과 일반화 능력을 어느 정도 향상시킬 수 있는가?
• RQ4 제안된 시스템은 폐렴과 결핵에 대해 민감도, 특이도 및 AUC 측면에서 기존 최고 수준의 모델과 비교해 어떤가?
• RQ5 다양한 이미징 프로토콜과 질환 유병률을 가진 다양한 공개 데이터셋에서도 모델이 높은 성능을 유지할 수 있는가?

주요 결과

• 제안된 모델은 공개 데이터셋에서 폐렴 분류에 대해 96.1%의 민감도와 91.03%의 특이도를 기록했으며, AUC는 0.985였다.
• 결핵에 대해서는 92.5%의 민감도와 85.0%의 특이도를 기록했으며, AUC는 0.949로 이전 최고 수준의 방법을 뛰어넘었다.
• 특히 폐렴 진단에서 기존 모델보다 뚜렷한 격차로 전문의 수준의 성능을 초월했으며, 민감도와 AUC 측면에서 모두 뛰어난 성능을 보였다.
• 히트맵 시각화 결과 모델이 병리학적 특징이 있는解부학적 영역에 집중하고 있음을 확인하여 효과적인 주의 메커니즘과 해석 가능성의 가능성을 입증했다.
• ChestXray-14, Mendeley, 선전병원, 벨라루스, MC-SC-Xray 등 여러 공개 데이터셋에서 뛰어난 일반화 능력을 보이며 강력한 성능을 유지했다.
• 모델은 빠르며 모바일 칩에서도 구동 가능하여 자원이 제한된 원격 임상 환경에서의 확장 가능한 활용이 가능했다.