[논문 리뷰] Transfer learning for diagnosis of congenital abnormalities of the kidney and urinary tract in children based on Ultrasound imaging data

Qiang Zheng, Gregory E. Tasian외 1명|arXiv (Cornell University)|2017. 12. 31.

Pediatric Urology and Nephrology Studies참고 문헌 12인용 수 6

한 줄 요약

이 연구는 소아의 초음파 신장 영상에 사전 훈련된 AlexNet 모델을 사용하여 전이 학습 방법을 제안하며, 소아의 신장 및 요로 기형(선천성 기형, CAKUT) 진단을 위한 깊이 있는 특징을 추출한다. 이러한 전이 학습 특징을 전통적인 영상 특징과 융합함으로써 개별 특징 집합보다 우수한 분류 성능를 달성하였으며, CAKUT 검출의 진단 정확도 향상이 입증되었다.

ABSTRACT

Classification of ultrasound (US) kidney images for diagnosis of congenital abnormalities of the kidney and urinary tract (CAKUT) in children is a challenging task. It is desirable to improve existing pattern classification models that are built upon conventional image features. In this study, we propose a transfer learning-based method to extract imaging features from US kidney images in order to improve the CAKUT diagnosis in children. Particularly, a pre-trained deep learning model (imagenet-caffe-alex) is adopted for transfer learning-based feature extraction from 3-channel feature maps computed from US images, including original images, gradient features, and distanced transform features. Support vector machine classifiers are then built upon different sets of features, including the transfer learning features, conventional imaging features, and their combination. Experimental results have demonstrated that the combination of transfer learning features and conventional imaging features yielded the best classification performance for distinguishing CAKUT patients from normal controls based on their US kidney images.

연구 동기 및 목표

• 소아 환자에서 초음파 영상으로 선천성 기형의 신장 및 요로 기형(CAKUT)을 보다 정확하게 진단하는 것을 목적으로 한다.
• 사전 훈련된 깊이 신경망에서 전이 학습을 활용하여 부족한 소아 초음파 데이터의 레이블이 부여된 자료 문제를 해결한다.
• 전이 학습 기반 특징과 기존 영상 특징을 융합하여 분류 성능을 향상시킨다.
• 전이 학습 특징, 기존 특징, 그리고 그 융합의 다양한 특징 조합이 CAKUT 진단에 얼마나 효과적인지 평가한다.

제안 방법

• 3채널 특징 맵에서 유래한 소아 신장 초음파 영상에 대해 사전 훈련된 ImageNet-caffe-AlexNet 모델을 미세조정하여 특징 추출을 수행하였다.
• 세 가지 유형의 영상 표현 방식을 생성하였다: 원본 초음파 영상, 기울기 특징, 거리 변환 특징이며, 각각 사전 훈련된 네트워크의 입력에 채널으로 구성되었다.
• 다중채널 입력에서 고수준 의미 특징을 추출하기 위해 전이 학습을 적용하였으며, CAKUT와 관련된 복잡한 패턴을 포착하였다.
• 서포트 벡터 머신(SVM)을 다양한 특징 집합에 대해 훈련시켰다: 전이 학습 특징만, 기존 특징만, 그리고 그 둘의 연결.
• 정확도, 민감도, 특이도와 같은 표준 지표를 사용하여 각 분류기의 성능을 평가하였다.
• 전이 학습 특징과 기존 영상 특징의 융합이 분류에 있어 최적의 조합으로 확인되었다.

실험 결과

연구 질문

• RQ1 기존 특징 기반 방법과 비교할 때 전이 학습이 소아 초음파 영상에서 CAKUT의 분류 성능 향상에 기여하는가?
• RQ2 전이 학습을 통해 추출된 깊이 특징과 수작업으로 만든 기존 영상 특징은 CAKUT 진단에서 어떻게 비교되는가?
• RQ3 전이 학습 특징과 기존 특징을 융합하면 개별적으로 사용할 경우보다 더 높은 진단 성능를 얻을 수 있는가?
• RQ4 전이 학습과 함께 사용될 때, 원본 영상, 기울기, 거리 변환 영상 표현 방식의 상대적 기여도는 어떠한가?

주요 결과

• 전이 학습 특징과 기존 영상 특징의 융합이 가장 높은 분류 정확도를 달성하였으며, 개별적으로 사용된 특징 집합보다 뛰어난 성능을 보였다.
• 전이 학습 기반 특징만으로도 기존 특징보다 뚜렷한 향상이 있었으며, 이는 초음파 신장 영상에서 분류 가능한 패턴을 포착하는 데 그 가치가 있음을 시사한다.
• 융합 접근법은 민감도와 특이도를 향상시켜 건강한 대조군과 CAKUT 환자를 더 신뢰성 있게 구분할 수 있음을 시사한다.
• 다중채널 입력(원본, 기울기, 거리 변환)을 사용함으로써 사전 훈련된 네트워크가 추출하는 특징의 풍부함이 향상되었다.
• 제한된 소아 초음파 데이터셋에도 불구하고 제안된 방법이 강건한 성능을 보였으며, 이는 소규모 데이터에서 의료 영상에 전이 학습의 효과를 입증한다.