[논문 리뷰] Using Radiomics as Prior Knowledge for Abnormality Classification and Localization in Chest X-rays.

Yan Han, Chongyan Chen외 5명|arXiv (Cornell University)|2020. 11. 25.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 흉부 X선에서 이상 징후의 분류와 국소화를 향상시키기 위해 방사량학적 특징을 사전 지식으로 통합하는 새로운 딥러닝 프레임워크인 ChexRadiNet을 제안한다. 경량 트리플렛 어텐션 메커니즘을 활용하고, 방사량학적 특징에서 유도된 히트맵을 사용한 반복적 보완을 통해 특징의 강건성과 국소화 정확도를 향상시켜, 실증 평가에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Chest X-rays become one of the most common medical diagnoses due to its noninvasiveness. The number of chest X-ray images has skyrocketed, but reading chest X-rays still have been manually performed by radiologists, which creates huge burnouts and delays. Traditionally, radiomics, as a subfield of radiology that can extract a large number of quantitative features from medical images, demonstrates its potential to facilitate medical imaging diagnosis before the deep learning era. In this paper, we develop an algorithm that can utilize the radiomics features to improve the abnormality classification performance. Our algorithm, ChexRadiNet, applies a light-weight but efficient triplet-attention mechanism for highlighting the meaningful image regions to improve localization accuracy. We first apply ChexRadiNet to classify the chest X-rays by using only image features. Then we use the generated heatmaps of chest X-rays to extract radiomics features. Finally, the extracted radiomics features could be used to guide our model to learn more robust accurate image features. After a number of iterations, our model could focus on more accurate image regions and extract more robust features. The empirical evaluation of our method supports our intuition and outperforms other state-of-the-art methods.

연구 동기 및 목표

• 의료진의 작업 부담과 지연을 줄이기 위해 수동 흉부 X선 판독의 증가하는 부담을 해소하기 위해 분류 및 국소화를 자동화한다.
• 인공지능 시대의 진단 성능 향상을 위해 기존의 전통적 방사량학적 접근의 한계를 극복하기 위해 방사량학을 딥러닝과 통합한다.
• 방사량학적 특징에서 유도된 히트맵을 사전 지식으로 활용하여 특징 학습을 이끌어 모델의 해석 가능성과 정확도를 향상시킨다.
• 계산 효율성과 높은 진단 성능 사이의 균형을 유지하면서도 경량적이지만 효과적인 아키텍처를 개발한다.

제안 방법

• 의미 있는 영상 영역을 강조하기 위해 경량 트리플렛 어텐션 메커니즘을 적용하여 흉부 X선에서의 국소화 정확도를 향상시킨다.
• 초기 예측과 어텐션 히트맵을 생성하기 위해 원본 이미지 특징만을 사용하여 흉부 X선을 먼저 분류한다.
• 생성된 히트맵에서 방사량학적 특징을 추출하여 후속 모델 보완을 위한 사전 지식으로 활용한다.
• 추출된 방사량학적 특징을 활용하여 반복 최적화를 통해 더 강건하고 구분력 있는 이미지 특징을 학습하도록 모델을 이끈다.
• 방사량학적 정보 기반 사전 지식에 따라 더 정확한 해부학적 영역에 집중함으로써 어텐션과 특징 추출을 반복적으로 보완한다.
• 엔드 투 엔드 딥러닝과 방사량학을 융합하여 분류 및 국소화 성능 향상을 위한 하이브리드 프레임워크를 구축한다.

실험 결과

연구 질문

• RQ1 어 attention 히트맵에서 추출한 방사량학적 특징이 흉부 X선 분석을 위한 딥러닝 모델 향상에 효과적인 사전 지식이 될 수 있는가?
• RQ2 트리플렛 어텐션 메커니즘과 방사량학적 특징을 통합함으로써 이상 징후 탐지에서 국소화 정확도는 어떻게 향상되는가?
• RQ3 기본 모델 대비 반복적 보완을 통해 방사량학적 지시 특징을 활용할 경우 모델의 강건성과 성능 향상 정도는 어느 정도인가?
• RQ4 주의 메커니즘과 방사량학적 통합을 갖춘 경량 아키텍처가 기존 최신 기술 모델보다 흉부 X선 분류 및 국소화에서 뛰어난 성능을 낼 수 있는가?

주요 결과

• 제안된 ChexRadiNet 프레임워크는 흉부 X선 영상에서 이상 징후 분류 및 국소화에서 기존 최신 기술보다 뛰어난 성능을 보였다.
• 어텐션 히트맵에서 유도된 방사량학적 특징의 통합은 모델이 진단적으로 관련 있는 영역에 집중하는 능력을 크게 향상시켰다.
• 트리플렛 어텐션 메커니즘이 의미 있는 해부학적 구조를 효과적으로 강조하여 모델 복잡도를 증가시키지 않으면서도 국소화 정밀도를 향상시켰다.
• 방사량학적 사전 지식에 기반한 반복적 보완은 더 강건한 특징 학습을 이끌어내어 모델 일반화 능력과 성능 향상에 기여했다.
• 경량 아키텍처 덕분에 높은 효율성을 유지하면서도 뛰어난 진단 정확도를 달성했다.
• 실증 평가를 통해 주의 기반 메커니즘을 통한 방사량학과 딥러닝의 융합이 의료 영상 분석 분야에서 유망한 접근법임을 확인했다.