[論文レビュー] Pneumonia Detection in Chest Radiographs

DeepRadiology Team|arXiv (Cornell University)|Nov 21, 2018

COVID-19 diagnosis using AI参考文献 15被引用数 9

ひとこと要約

本論文では、グローバルおよびローカル特徴を統合する変更済みの Couplenet アーキテクチャを用いて、チートX線画像における肺炎の検出と局在化のための、頑健でオープンソースのディープラーニング手法を提示する。訓練の安定性を向上させるとともに、境界ボックスを統合する新しいアンサンブル戦略を導入することで、3,000枚のレントゲン画像から成るデータセットにおいて、世界中から1,400件以上のエントリを上回るトップパフォーマンスを達成した。

ABSTRACT

In this work, we describe our approach to pneumonia classification and localization in chest radiographs. This method uses only \emph{open-source} deep learning object detection and is based on CoupleNet, a fully convolutional network which incorporates global and local features for object detection. Our approach achieves robustness through critical modifications of the training process and a novel ensembling algorithm which merges bounding boxes from several models. We tested our detection algorithm tested on a dataset of 3000 chest radiographs as part of the 2018 RSNA Pneumonia Challenge; our solution was recognized as a winning entry in a contest which attracted more than 1400 participants worldwide.

研究の動機と目的

• チートレントゲン画像における肺炎の検出のための、完全に畳み込み型でオープンソースのオブジェクト検出システムを開発すること。
• トレーニングプロセスの変更とモデルアンサンブルによる検出の頑健性を向上させること。
• 2018年RSNA肺炎検出チャレンジで最先端のパフォーマンスを達成すること。これは、1,400人以上の参加者が参加した高リスクのコンテストである。
• ディープラーニングフレームワーク内でグローバルおよびローカル特徴の統合にのみ依存して、肺炎領域を正確に局在化すること。

提案手法

• 本手法は、オブジェクト検出の向上を図るためにグローバルおよびローカル特徴を統合する完全に畳み込み型のネットワーク、Couplenetを採用する。
• モデルの安定性と一般化性能を向上させるために、訓練プロセスに重要な変更を加えた。
• 複数のモデルからの境界ボックスを統合する新しいアンサンブルアルゴリズムを開発し、誤検出を低減するとともに局在化の正確性を向上させた。
• 再現可能性とアクセシビリティを確保するため、本手法は完全にオープンソースのディープラーニングツールに依存している。
• モデルは、RSNA肺炎検出チャレンジから得た3,000枚のチートレントゲン画像のデータセット上でトレーニングおよび評価された。
• Couplenetにおける特徴統合により、標準的な検出器が見逃しがちな小さな、繊細な肺炎領域の検出が可能になった。

実験結果

リサーチクエスチョン

• RQ1 完全に畳み込み型でオープンソースのオブジェクト検出モデルは、特許権のあるツールに依存せずに、肺炎検出で高いパフォーマンスを達成できるか？
• RQ2 トレーニングプロセスの変更は、医療画像における検出の頑健性をどのように向上させるか？
• RQ3 複数のモデルをアンサンブルすることで、肺炎検出における局在化の正確性はどの程度向上するか？
• RQ4 Couplenetにおけるグローバルおよびローカル特徴の統合は、チートX線画像における小さなまたは繊細な肺炎領域を効果的に検出できるか？
• RQ5 大規模で現実世界のコンテスト環境において、本手法は他のアプローチと比べてどの程度優れているか？

主な発見

• 本手法は2018年RSNA肺炎検出チャレンジで優勝し、1,400件を超える他のエントリを上回った。
• 本モデルは、3,000枚のチートレントゲン画像から成る多様なデータセットにおいて、強力な一般化性能と頑健性を示した。
• 新規のアンサンブルアルゴリズムにより、複数のモデルからの予測を効果的に統合することで、局在化の正確性が顕著に向上した。
• トレーニングプロセスの変更により、収束がより安定し、検出性能が向上した。
• Couplenetにおけるグローバルおよびローカル特徴の統合により、小さなまたは繊細な肺炎領域の信頼性の高い検出が可能になった。
• パイプライン全体が完全にオープンソースであるため、医療画像研究分野における再現可能性と広範な採用が可能になった。