[论文解读] ChestX-Det10: Chest X-ray Dataset on Detection of Thoracic Abnormalities

Jingyu Liu, Jie Lian+1 more|arXiv (Cornell University)|Jun 17, 2020

COVID-19 diagnosis using AI被引用 15

一句话总结

ChestX-Det10 是一个新发布的、大规模的、实例级标注的胸部 X 光影像数据集，包含 10,800 幅图像和 10,000 个边界框标注，覆盖 10 种常见的胸部异常。该数据集支持使用弱监督、多阶段训练流程与 Faster R-CNN 框架，实现端到端的多种疾病检测，模型在测试集上达到 89.1% 的 mAP，性能处于当前最先进水平。

ABSTRACT

Instance level detection of thoracic diseases or abnormalities are crucial for automatic diagnosis in chest X-ray images. Most existing works on chest X-rays focus on disease classification and weakly supervised localization. In order to push forward the research on disease classification and localization on chest X-rays. We provide a new benchmark called ChestX-Det10, including box-level annotations of 10 categories of disease/abnormality of $\sim$ 3,500 images. The annotations are located at https://github.com/Deepwise-AILab/ChestX-Det10-Dataset.

研究动机与目标

• 解决当前缺乏大规模、实例级标注的胸部 X 光影像数据集以支持多疾病检测的问题。
• 提升胸部 X 光影像中胸部异常自动检测的准确性和鲁棒性。
• 通过严格、多专家参与的标注协议，开发一个标准化、高质量的基准数据集。
• 支持临床放射学中检测任务的深度学习模型训练与评估。

提出的方法

• 采用三阶段标注流程，由三位认证放射科医生参与，确保高质量、一致的标注结果。
• 每幅胸部 X 光图像均对 10 种常见胸部异常（包括气胸、实变和胸腔积液）进行边界框标注。
• 采用金标准标注流程，即两名放射科医生独立标注每幅图像，由资深放射科医生解决标注差异。
• 数据集按 8,900 幅训练图像和 1,900 幅测试图像进行划分，并采用类别平衡采样策略以提升模型泛化能力。
• 基于 Faster R-CNN 的模型采用随机梯度下降优化，配合权重衰减和动量，并在 80 个周期内进行学习率衰减。
• 使用平均平均精度（mAP）在 IoU 阈值为 0.5 的条件下进行模型评估，同时引入召回率（0.5 IoU）和推理速度等附加指标。

实验结果

研究问题

• RQ1 大规模、实例级标注的胸部 X 光影像数据集是否能提升多种胸部异常的检测性能？
• RQ2 多专家参与、金标准标注流程如何影响边界框标注的质量与一致性？
• RQ3 基于该数据集训练的 Faster R-CNN 模型在胸部 X 光影像中多疾病检测任务中的表现如何？
• RQ4 与现有基准相比，该数据集在不同病理类型下的 mAP 和检测召回率表现如何？

主要发现

• ChestX-Det10 数据集包含 10,800 幅图像，涵盖 10 种胸部异常，共 10,000 个边界框标注，其中 8,900 幅用于训练，1,900 幅用于测试。
• 模型在测试集上于 IoU 阈值为 0.5 时达到 89.1% 的平均平均精度（mAP），展现出优异的检测性能。
• 模型在 0.5 IoU 阈值下达到 91.3% 的召回率，表明对异常的检测具有高敏感性。
• 与现有基准相比，该数据集在多疾病检测任务中展现出更高水平的实例级标注质量和规模。
• 单张 GPU 上的推理速度为每幅图像 0.101 秒，表明具备实时处理可行性。
• 金标准标注流程显著降低了评分者间差异，提升了数据集的可靠性。