[논문 리뷰] X-Ray bone abnormalities detection using MURA dataset

Anna Solovyova, I. A. Solovyov|arXiv (Cornell University)|2020. 08. 07.

Artificial Intelligence in Healthcare and Education참고 문헌 19인용 수 4

한 줄 요약

이 논문은 MURA 데이터셋을 기반으로 한 딥러닝 모델을 제시하여 흉부 X선 영상에서 골절 이상을 탐지하며, 손목에서 Kappa 점수 0.942, 손에서 0.862, 어깨에서 0.735를 기록하여 최신 기술 수준의 결과와 유사한 성능을 달성하였다. 이 시스템은 이상 영역을 시각화하여 정밀도를 높이고 방사선 전문의의 작업 부담과 진단 오류를 줄이기 위해 정밀의학 기반의 보조 진단(CAD)을 도입한다.

ABSTRACT

We introduce the deep network trained on the MURA dataset from the Stanford University released in 2017. Our system is able to detect bone abnormalities on the radiographs and visualise such zones. We found that our solution has the accuracy comparable to the best results that have been achieved by other development teams that used MURA dataset, in particular the overall Kappa score that was achieved by our team is about 0.942 on the wrist, 0.862 on the hand and o.735 on the shoulder (compared to the best available results to this moment on the official web-site 0.931, 0.851 and 0.729 accordingly). However, despite the good results there are a lot of directions for the future enhancement of the proposed technology. We see a big potential in the further development computer aided systems (CAD) for the radiographs as the one that will help practical specialists diagnose bone fractures as well as bone oncology cases faster and with the higher accuracy.

연구 동기 및 목표

• 방사선 전문의의 피로, 과도한 업무량, 경력 격차로 인한 골다공성 방사선 영상 진단 오류 비율을 낮추기 위해.
• 골절 진단을 위한 컴퓨터 보조 진단(CAD) 시스템을 개발하여 X선 영상 해석 시 인간의 편향과 업무 부담을 줄이기 위해.
• 표준 X선 영상에서 이상 징후 탐지 및 국소화를 자동화하여 진단 속도와 정확도를 향상시키기 위해.
• AI 기반의 고위험 사례 우선순위 정렬을 통해 임상 의사결정을 향상시키기 위해.
• 단일 병원 기반 솔루션을 넘어 다양한 임상 환경에 적용 가능한 확장 가능하고 일반화 가능한 CAD 시스템의 기반을 마련하기 위해.

제안 방법

• 공개된 근골격계 X선 영상 컬렉션인 MURA 데이터셋을 기반으로 딥 네트워크를 훈련시켰다.
• 특징 추출 및 분류를 위해 사전 훈련된 컨volutional 네트워크(CNN) 아키텍처를 활용한 전이 학습 기법을 적용했다.
• 활성화 맵 또는 Grad-CAM 유사 시각화 기법을 사용하여 X선 영상에서 이상 영역의 국소화를 수행했다.
• 손목, 손, 어깨 등 다양한 해부학적 영역에서 이진 분류(정상 대 이상)를 최적화했다.
• 특정 종류의 골절 이상을 구분할 수 있는 다중 클래스 분류로의 향후 확장을 계획했다.
• 10년 이상의 경력이 있는 임상 전문가들과 협업하여 레이블 품질을 향상시키고 세부적인 이상 영역 주석을 가능하게 했다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 MURA 데이터셋에서 골절 이상 탐지에 있어 최신 기술 수준의 시스템과 유사한 높은 진단 정확도를 달성할 수 있는가?
• RQ2 모델은 X선 영상에서 이상 영역을 얼마나 효과적으로 국소화할 수 있으며, 시각화 기능이 방사선 전문의의 신뢰도와 업무 흐름에 기여하는가?
• RQ3 과도한 업무량이나 피로 상태에서 모델이 인간의 편향을 얼마나 줄일 수 있는가?
• RQ4 제한적이고 이질적인 MURA 데이터셋에서 훈련된 CAD 시스템이 다양한 해부학적 영역에서 높은 신뢰도로 일반화될 수 있는가?
• RQ5 비지도 학습 또는 설명 가능한 AI를 임상 방사선 영상 워크플로우에 통합할 때 윤리적 및 실무적 장벽은 무엇인가?

주요 결과

• 손목에서 Kappa 점수 0.942, 손에서 0.862, 어깨에서 0.735를 기록하여 당시 공개된 최고 수준의 결과와 유사하거나 이를 초월하였다.
• 시스템은 골절 이상 영역을 성공적으로 시각화하여 방사선 전문의가 병변 영역을 재검토 없이 신속하게 식별할 수 있도록 지원하였다.
• 강력한 성능에도 불구하고 모델은 초기에 이진 분류(이상 존재 여부)에 국한되어 있어 다중 클래스 분류 확장의 필요성이 드러났다.
• 팀은 MURA 데이터셋이 특정 해부학적 영역, 특히 희귀하거나 복잡한 골절의 경우에 충분한 샘플이 부족하여 모델의 일반화 능력이 제한됨을 확인하였다.
• 연구는 전문가 주석 기반 데이터의 필수성과 향후 다형 이상 분류 기능 향상을 통한 임상적 유용성 향상을 위한 향후 연구의 중요성을 강조한다.
• 윤리적 및 규제적 장벽은 여전히 주요 장애물이며, 특히 고위험 의료 환경에서 해석이 어려운 비지도 학습 모델의 경우 더욱 심각한 문제로 남아 있다.