[論文レビュー] Automatic Diagnosis of Myocarditis Disease in Cardiac MRI Modality using Deep Transformers and Explainable Artificial Intelligence

Mahboobeh Jafari, Afshin Shoeibi+10 more|arXiv (Cornell University)|Oct 26, 2022

Viral Infections and Immunology Research被引用数 10

ひとこと要約

本研究では、ビジョントランスフォーマー、特にTurbulence Neural Transformer (TNT) を用いた深層学習ベースの画像診断支援システム（CADS）を提案し、心エコーMRIにおける心筋炎の自動検出を実現した。10分割交差検証により99.73%の正確性を達成した。Grad-CAMを用いた説明可能なAIにより、不鮮明なコントラストのCMRIに起因する課題に対処し、放射線科医の作業負荷を軽減した。

ABSTRACT

Myocarditis is a significant cardiovascular disease (CVD) that poses a threat to the health of many individuals by causing damage to the myocardium. The occurrence of microbes and viruses, including the likes of HIV, plays a crucial role in the development of myocarditis disease (MCD). The images produced during cardiac magnetic resonance imaging (CMRI) scans are low contrast, which can make it challenging to diagnose cardiovascular diseases. In other hand, checking numerous CMRI slices for each CVD patient can be a challenging task for medical doctors. To overcome the existing challenges, researchers have suggested the use of artificial intelligence (AI)-based computer-aided diagnosis systems (CADS). The presented paper outlines a CADS for the detection of MCD from CMR images, utilizing deep learning (DL) methods. The proposed CADS consists of several steps, including dataset, preprocessing, feature extraction, classification, and post-processing. First, the Z-Alizadeh dataset was selected for the experiments. Subsequently, the CMR images underwent various preprocessing steps, including denoising, resizing, as well as data augmentation (DA) via CutMix and MixUp techniques. In the following, the most current deep pre-trained and transformer models are used for feature extraction and classification on the CMR images. The findings of our study reveal that transformer models exhibit superior performance in detecting MCD as opposed to pre-trained architectures. In terms of DL architectures, the Turbulence Neural Transformer (TNT) model exhibited impressive accuracy, reaching 99.73% utilizing a 10-fold cross-validation approach. Additionally, to pinpoint areas of suspicion for MCD in CMRI images, the Explainable-based Grad Cam method was employed.

研究の動機と目的

• 低コントラストの心エコーMRI（CMRI）スキャンにおける心筋炎の診断課題に対処すること。
• 1人の患者あたり多数のCMRIスライスを分析する作業を自動化することで、放射線科医の作業負荷を軽減すること。
• 最先端のトランスフォーマー・アーキテクチャを活用した、深層学習ベースのCADSを開発し、分類性能を向上させること。
• Grad-CAMを用いた領域局在化により、モデルの解釈性を向上させ、臨床的信頼性と意思決定支援を強化すること。
• 厳密な交差検証およびデータ拡張技術を用いて、公開済みデータセット上で提案されたシステムを検証すること。

提案手法

• 本研究では、学習および評価に Z-Alizadeh CMRI データセットを用い、画像はノイズ除去、リサイズ、および CutMix と MixUp を用いたデータ拡張により前処理された。
• 事前学習済みビジョントランスフォーマー・モデル（Turbulence Neural Transformer (TNT) を含む）を、心筋炎の特徴抽出および分類にため微調整した。
• 妥当な性能推定と一般化能力を確保するため、10分割交差検証戦略を採用した。
• 説明可能なAIとして、クラス活性マップを生成するためのGrad-CAMを実装し、心筋炎に関連するCMRI画像内の領域を強調表示した。
• モデルパイプラインは、前処理、トランスフォーマーによる深層特徴抽出、分類、臨床的解釈性を高めるための後処理を統合した。
• 標準的な指標を用いて性能を評価し、主なアウトカムとして正確性を報告した。

実験結果

リサーチクエスチョン

• RQ1 ビジョントランスフォーマーは、従来の事前学習済みCNNアーキテクチャに比べ、心エコーMRIスキャンからの心筋炎分類において優れているか？
• RQ2 Turbulence Neural Transformer (TNT) モデルは、複数の交差検証フォールドにおいて心筋炎を効果的に検出できるか？
• RQ3 Grad-CAMは、臨床的関連性のある領域をCMRI画像内でどの程度効果的に強調できるか？
• RQ4 CutMix および MixUp を用いたデータ拡張は、心筋炎検出におけるモデルの一般化能力およびロバストネスを向上させるか？
• RQ5 説明可能なAIを統合した深層学習システムは、高い診断正確性を維持しつつ、放射線科医の作業負荷を軽減できるか？

主な発見

• Turbulence Neural Transformer (TNT) モデルは、10分割交差検証を用いた心筋炎検出において、最高の正確性99.73％を達成した。
• ビジョントランスフォーマーを用いたモデルは、従来の事前学習済みCNNアーキテクチャに比べ、CMRI画像からの心筋炎分類において優れた性能を示した。
• Grad-CAM手法は、CMRIスキャン内の懸念される領域を効果的に局在化し、モデルの解釈性および臨床的関連性を向上させた。
• データ拡張技術（CutMix および MixUp）は、データセット全体におけるモデルのロバストネスおよび一般化能力を向上させた。
• 提案されたCADSは、ほぼ完璧な分類性能を示し、臨床応用への強い可能性を示した。
• 深層学習に説明可能なAIを統合することで、自動心筋炎診断における信頼性と透明性が顕著に向上した。