[論文レビュー] Universal Lesion Detection by Learning from Multiple Heterogeneously Labeled Datasets

Ke Yan, Jinzheng Cai+4 more|arXiv (Cornell University)|May 28, 2020

COVID-19 diagnosis using AI参考文献 44被引用数 7

ひとこと要約

本論文は、DeepLesion、LUNA、LiTS、NIH-LN などの異種で部分的にラベル付けされたデータセットを活用して、普遍的病変検出（ULD）を実現するマルチエキスパート病変検出器（MELD）を提案する。欠落したラベルを回復する埋め込みマッチングと、単一タイプ検出器からの知識を転送するネガティブ領域マイニングを組み合わせることで、最先端の手法よりも平均感度が29%向上する。

ABSTRACT

Lesion detection is an important problem within medical imaging analysis. Most previous work focuses on detecting and segmenting a specialized category of lesions (e.g., lung nodules). However, in clinical practice, radiologists are responsible for finding all possible types of anomalies. The task of universal lesion detection (ULD) was proposed to address this challenge by detecting a large variety of lesions from the whole body. There are multiple heterogeneously labeled datasets with varying label completeness: DeepLesion, the largest dataset of 32,735 annotated lesions of various types, but with even more missing annotation instances; and several fully-labeled single-type lesion datasets, such as LUNA for lung nodules and LiTS for liver tumors. In this work, we propose a novel framework to leverage all these datasets together to improve the performance of ULD. First, we learn a multi-head multi-task lesion detector using all datasets and generate lesion proposals on DeepLesion. Second, missing annotations in DeepLesion are retrieved by a new method of embedding matching that exploits clinical prior knowledge. Last, we discover suspicious but unannotated lesions using knowledge transfer from single-type lesion detectors. In this way, reliable positive and negative regions are obtained from partially-labeled and unlabeled images, which are effectively utilized to train ULD. To assess the clinically realistic protocol of 3D volumetric ULD, we fully annotated 1071 CT sub-volumes in DeepLesion. Our method outperforms the current state-of-the-art approach by 29% in the metric of average sensitivity.

研究の動機と目的

• 放射線科医が全身にわたる多様な病変を同定する必要がある臨床的レントゲン診断における普遍的病変検出（ULD）の課題に対処する。
• 単一病変タイプに特化した既存の病変検出モデルの限界を克服し、効率的でスケーラブルな手法を提供する。
• ラベルの完全性が異なる異種データセット（例：部分的にラベル付けされたDeepLesion、完全にラベル付けされたLUNA、LiTS、NIH-LN）を活用して、ULDの性能を向上させる。
• 不完全で多様なラベルを効果的に統合し、耐障害性があり一般化可能なULDモデルを訓練する統一フレームワークを開発する。

提案手法

• 複数の異種データセットを横断してマルチタスク学習を実施し、臓器別ヘッドブランチを備えたマルチエキスパート病変検出器（MELD）を訓練する。
• DeepLesion上でMELDを用いて病変候補を生成し、各ヘッドが特定の病変タイプまたは臓器に特化するマルチエキスパートシステムとして機能させる。
• 病変埋め込みを用いた欠落ラベルマッチング（MAM）を適用し、提案された埋め込みとラベル付け済み病変を照合することで、ラベルなしの真正の病変を同定・回復する。
• 単一タイプ病変検出器から知識を転送することで、ネガティブ領域マイニング（NRM）を実施し、ラベルなしの懸念を要する領域を信頼性の高いネガティブサンプルとして特定する。
• 回復されたポジティブおよびネガティブ領域を用いてMELDをファインチューニングし、偽陰性信号の導入を防ぎながら検出性能を向上させる。
• 方向性の標準化、HUウィンドウ処理、等方的リサンプリング、データ拡張を含む統一された前処理パイプラインを用いて、複数のデータセット間での一貫性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ラベルの完全性が異なる異種データセットから学習する単一の普遍的病変検出モデルは、効果的に学習可能か？
• RQ2 DeepLesionのような大規模で部分的にラベル付けされたデータセットにおける欠落ラベルを、放射線科医による完全な再ラベル付けなしに信頼性高く回復できるか？
• RQ3 完全にラベル付けされた単一タイプ病変データセット（例：LUNA、LiTS）からの知識は、普遍的病変検出の向上にどの程度転送可能か？
• RQ4 不完全なデータに対する標準的な学習と比較して、回復されたポジティブおよび信頼性の高いネガティブサンプルを統合することで、検出性能が顕著に向上するか？

主な発見

• 提案手法は、3Dボリューム的ULDベンチマークにおいて、現在の最先端手法よりも平均感度が29%向上する。
• 同等の再現率レベルで誤検出を50%削減する—サブボリュームあたり2つの誤検出（ベースラインは4つ）で50%の再現率を達成する。
• ネガティブ領域マイニングは、転送知識に伴うノイズやコンセプトシフトの影響を受けるため、抽出した領域を真正の病変として扱うよりも優れた性能を示す。
• LesaNet埋め込みを用いた埋め込みマッチングにより、臨床的に重要な関連性を持つ欠落病変を効果的に回復でき、ポジティブサンプルのカバー率が向上する。
• マルチエキスパート病変検出器（MELD）は、病変タイプや臓器を横断して効果的に一般化でき、リンパ節、肺、肝臓の3つの最も一般的な病変部位で優れた性能を示す。
• 新しいヘッドブランチと対応するデータセットを追加することで、腎臓や膵臓の腫瘍など、追加の臓器や病変タイプに対しても拡張可能である。