CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using Machine Learning

要約

胸部X線写真（CXR）の異常がしばしば誤診されるという世界的な課題は、分類の誤りよりもむしろ、医療従事者が異常部位を正確に特定するのに苦労する知覚の誤りに主に関連している。我々は現在、疾患特異的なセグメンテーションモデルによってこの問題に対処している。残念ながら、これらのモデルは、すべての胸部疾患にわたって一般化できないため、現場で公開することはできない。バイナリモデルは、データセットに表現されていない疾患に遭遇すると、パフォーマンスが低下する傾向がある。我々はCheX-nomalyを発表する：革新的な対照学習アプローチを組み込んだ転移学習技術を活用したバイナリ局在U-netモデルである。VinDr-CXRデータセットで学習されたこのモデルは、「発見されなかった」症例に加え、14の異なる疾患を包含しており、これらの14の疾患とこれまでに見たことのない他の疾患にわたる汎化可能性を達成している。対照学習法を取り入れ、境界ボックスを疾患クラスと分離することで、異常局在化モデルの汎化性を大幅に改善できることを示す。また、バウンディングボックスのセグメンテーションにおけるU-netの性能を向上させるために適用する新しい損失手法を紹介する。CheX-nomalyを導入することで、我々は、医療における多くの知覚エラーを減らすことに特に焦点を当て、胸部疾患診断の精度を向上させる有望なソリューションを提供する。

要約(オリジナル)

The global challenge in chest radiograph X-ray (CXR) abnormalities often being misdiagnosed is primarily associated with perceptual errors, where healthcare providers struggle to accurately identify the location of abnormalities, rather than misclassification errors. We currently address this problem through disease-specific segmentation models. Unfortunately, these models cannot be released in the field due to their lack of generalizability across all thoracic diseases. A binary model tends to perform poorly when it encounters a disease that isn’t represented in the dataset. We present CheX-nomaly: a binary localization U-net model that leverages transfer learning techniques with the incorporation of an innovative contrastive learning approach. Trained on the VinDr-CXR dataset, which encompasses 14 distinct diseases in addition to ‘no finding’ cases, my model achieves generalizability across these 14 diseases and others it has not seen before. We show that we can significantly improve the generalizability of an abnormality localization model by incorporating a contrastive learning method and dissociating the bounding boxes with its disease class. We also introduce a new loss technique to apply to enhance the U-nets performance on bounding box segmentation. By introducing CheX-nomaly, we offer a promising solution to enhance the precision of chest disease diagnosis, with a specific focus on reducing the significant number of perceptual errors in healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL