Exploring the Efficacy of Base Data Augmentation Methods in Deep Learning-Based Radiograph Classification of Knee Joint Osteoarthritis

要約

世界中で障害の主な原因となっている変形性膝関節症（KOA）の診断は、放射線写真の指標が微妙で病気の進行がさまざまであるため、困難です。
KOA 診断にディープ ラーニングを使用するには、広範で包括的なデータセットが必要です。
ただし、患者のプライバシーへの懸念やデータ収集の制限により、これらのデータセットを取得することは大きな課題となります。
データの変動性を高める加法的データ拡張が、有望なソリューションとして浮上しています。
しかし、どの拡張技術が KOA に最も効果的であるかは不明です。
この研究では、敵対的拡張を含むさまざまなデータ拡張手法と、それらが KOA 分類モデルのパフォーマンスに及ぼす影響を調査しました。
一部の手法ではパフォーマンスが向上しましたが、一般的に使用されている手法ではパフォーマンスが低下しました。
敵対的拡張を使用して、画像内の潜在的な交絡領域を特定しました。
これは、膝関節を省略した、KL0 および KL4 グレードを正確に分類するモデルの能力によって証明されました。
この観察は、現在 X 線写真に存在する分類に無関係な特徴を利用している可能性があるモデルのバイアスを示唆しています。
興味深いことに、膝関節を除去すると、KL1 分類精度も予想外に向上しました。
これらの逆説的な効果をより適切に視覚化するために、Grad-CAM を採用し、関連する領域を強調表示しました。
私たちの研究は、モデルのパフォーマンスを向上させ、X線撮影KOAディープラーニングにおける潜在的な交絡領域を特定して管理するための慎重な技術選択の必要性を強調しています。

要約(オリジナル)

Diagnosing knee joint osteoarthritis (KOA), a major cause of disability worldwide, is challenging due to subtle radiographic indicators and the varied progression of the disease. Using deep learning for KOA diagnosis requires broad, comprehensive datasets. However, obtaining these datasets poses significant challenges due to patient privacy concerns and data collection restrictions. Additive data augmentation, which enhances data variability, emerges as a promising solution. Yet, it’s unclear which augmentation techniques are most effective for KOA. This study explored various data augmentation methods, including adversarial augmentations, and their impact on KOA classification model performance. While some techniques improved performance, others commonly used underperformed. We identified potential confounding regions within the images using adversarial augmentation. This was evidenced by our models’ ability to classify KL0 and KL4 grades accurately, with the knee joint omitted. This observation suggested a model bias, which might leverage unrelated features for classification currently present in radiographs. Interestingly, removing the knee joint also led to an unexpected improvement in KL1 classification accuracy. To better visualize these paradoxical effects, we employed Grad-CAM, highlighting the associated regions. Our study underscores the need for careful technique selection for improved model performance and identifying and managing potential confounding regions in radiographic KOA deep learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google