[論文レビュー] Large Scale Automated Reading of Frontal and Lateral Chest X-Rays using Dual Convolutional Neural Networks

Jonathan Rubin, Deepan Sanghavi+4 more|arXiv (Cornell University)|Apr 20, 2018

COVID-19 diagnosis using AI参考文献 10被引用数 77

ひとこと要約

論文は大規模な MIMIC-CXR データセットで CNN を訓練し、正面・側面胸部 X 線から 14 の胸部病変を認識することを目的とし、対をなす前面・側面ビューを同時処理する DualNet を導入して、独立モデルより性能を向上させます。

ABSTRACT

The MIMIC-CXR dataset is (to date) the largest released chest x-ray dataset consisting of 473,064 chest x-rays and 206,574 radiology reports collected from 63,478 patients. We present the results of training and evaluating a collection of deep convolutional neural networks on this dataset to recognize multiple common thorax diseases. To the best of our knowledge, this is the first work that trains CNNs for this task on such a large collection of chest x-ray images, which is over four times the size of the largest previously released chest x-ray corpus (ChestX-Ray14). We describe and evaluate individual CNN models trained on frontal and lateral CXR view types. In addition, we present a novel DualNet architecture that emulates routine clinical practice by simultaneously processing both frontal and lateral CXR images obtained from a radiological exam. Our DualNet architecture shows improved performance in recognizing findings in CXR images when compared to applying separate baseline frontal and lateral classifiers.

研究の動機と目的

• MIMIC-CXR データセット上で自動的大規模な胸部疾患分類を実証する。
• 前面（PA/AP）および側面ビュー特異的な CNN による多ラベル分類を評価する。
• 前面と側面の X 線を同時に処理する DualNet アーキテクチャを提案し評価する。
• DualNet を前面と側面の個別分類器と比較して性能向上を定量化する。

提案手法

• PA、AP、側面ビュー用の DenseNet-121 ベースの CNN を 1 チャンネル入力で多ラベル二値交差エントロピーを用いて別個に訓練する。
• グローバル平均プーリングと最終 14 クラスのシグモイド出力を用いて 12–128 個のネットワークを訓練する。
• 放射線診断レポートから NegBio 派生のラベルを適用し 14 の胸部所見（または No Finding）にマッピングする。
• 画像はアスペクト比を保ったまま 512x512 にリサイズして正規化 [0,1]。
• 顔つき前面と側面のネットワークを最終分類器の前で連結して統合する DualNet 変種を訓練する。
• Subject-split テストセットでクラスごとの AUC を用いて評価し、DualNet を個別ビューのベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 MIMIC-CXR データセットで訓練された CNN は正面および側面の胸部 X 線から一般的な胸部疾患を正確に識別できるか。
• RQ2 DualNet アーキテクチャを介して正面と側面のビューを統合することは、独立したビュー特異的モデルより分類性能を向上させるか。
• RQ3 PA、AP、および側面ビューは特定の所見の検出性能においてどう比較されるか。
• RQ4 対になる正面-側面データを使用することは多ラベルの胸部疾患検出にどのような影響を与えるか。

主な発見

所見	PA	AP	側面	平均
Atelectasis	0.760	0.666	0.753
Cardiomegaly	0.868	0.746	0.794
Consolidation	0.637	0.601	0.644
Edema	0.736	0.745	0.766
Effusion	0.719	0.740	0.754
Fibrosis	0.706	0.643	0.666
Hernia	0.731	0.742	0.788
Infiltration	0.779	0.525	0.731
Mass	0.646	0.624	0.680
No Finding	0.742	0.677	0.765
Nodule	0.534	0.603	0.556
Pleural Thickening	0.688	0.620	0.660
Pneumonia	0.611	0.602	0.635
Pneumothorax	0.672	0.631	0.686
Average	0.702	0.655	0.706

• PA モデルは正面ビュー間で最大の平均 AUC を達成（0.702）で AP の 0.655 を上回る。
• 側面ビューのモデルは単一ビューのモデル間で最大の平均 AUC を達成（0.706）。
• DualNet は ほとんどの PA+Lateral（12/14）および AP+Lateral（10/14）ケースで、個別の前面・側面分類器より一貫して上回る。
• PA+Lateral では DualNet の平均 AUC = 0.721、独立モデルは 0.690。
• AP+Lateral では DualNet の平均 AUC = 0.668、独立モデルは 0.637。
• 全体として、二重視点の結合処理は複数の所見で頑健な利得をもたらす。