cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations

要約

異種疾患の分類は、その複雑さ、症状および画像所見の多様性により困難です。
慢性閉塞性肺疾患（COPD）はその代表的な例であり、死因の第3位であるにもかかわらず過小診断されています。
コンピュータ断層撮影法では、そのまばらで拡散した不均一な外観が教師あり二値分類に課題を与えています。
我々は、異常検出タスクとして COPD の二値分類を再定式化し、cOOpD: 不均一な病理学的領域が正常な均一な肺領域から分布外 (OOD) として検出されることを提案します。
この目的を達成するために、自己教師付き対比口実モデルを使用してラベルのない肺領域の表現を学習し、病気の領域と健康なラベルのない領域の特定の特徴を捕捉する可能性があります。
次に、生成モデルは健康な表現の分布を学習し、(COPD に起因する) 異常を逸脱として特定します。
患者レベルのスコアは、領域 OOD スコアを集計することによって取得されます。
cOOpD が 2 つの公開データセットで最高のパフォーマンスを達成し、以前の監視された最先端のものと比較して AUROC に関して 8.2% および 7.7% 増加したことを示します。
さらに、cOOpD は、よく解釈可能な空間異常マップと患者レベルのスコアを生成します。これらは、進行の初期段階で個人を特定する際に追加の価値があることが示されています。
人工的に設計された現実世界の有病率設定での実験は、異常検出が COPD 分類に取り組む強力な方法であることをさらに裏付けています。

要約(オリジナル)

Classification of heterogeneous diseases is challenging due to their complexity, variability of symptoms and imaging findings. Chronic Obstructive Pulmonary Disease (COPD) is a prime example, being underdiagnosed despite being the third leading cause of death. Its sparse, diffuse and heterogeneous appearance on computed tomography challenges supervised binary classification. We reformulate COPD binary classification as an anomaly detection task, proposing cOOpD: heterogeneous pathological regions are detected as Out-of-Distribution (OOD) from normal homogeneous lung regions. To this end, we learn representations of unlabeled lung regions employing a self-supervised contrastive pretext model, potentially capturing specific characteristics of diseased and healthy unlabeled regions. A generative model then learns the distribution of healthy representations and identifies abnormalities (stemming from COPD) as deviations. Patient-level scores are obtained by aggregating region OOD scores. We show that cOOpD achieves the best performance on two public datasets, with an increase of 8.2% and 7.7% in terms of AUROC compared to the previous supervised state-of-the-art. Additionally, cOOpD yields well-interpretable spatial anomaly maps and patient-level scores which we show to be of additional value in identifying individuals in the early stage of progression. Experiments in artificially designed real-world prevalence settings further support that anomaly detection is a powerful way of tackling COPD classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google