Self-Supervised Radiograph Anatomical Region Classification — How Clean Is Your Real-World Data?

要約

最新の深層学習ベースの臨床画像ワークフローは、検査される解剖学的領域の正確なラベルに依存しています。
解剖学的領域を知ることは、適用可能な下流モデルを選択し、将来の医療および機械学習研究の取り組みに向けて高品質データのコホートを効果的に生成するために必要です。
ただし、この情報は外部ソースのデータでは利用できない場合や、通常はデータ入力エラーが含まれている場合があります。
この問題に対処するために、48,434 枚の骨格 X 線写真からなる社内データセット内の 14 の解剖学的領域クラスの 1 つを割り当てる際の、SimCLR や BYOL などの自己教師あり手法と教師あり対照深層学習手法の有効性を示します。
単一モデルでは 96.6%、アンサンブル アプローチでは 97.7% という強力な線形評価精度を達成します。
さらに、少数のラベル付きインスタンス (トレーニング セットの 1%) のみで 92.2% の精度を達成するのに十分であるため、低ラベル、つまり低リソースのシナリオでの使用が可能になります。
当社のモデルは、データ入力の間違いを修正するために使用できます。専門の放射線科医による当社の最も優れた単一モデルのテスト セット エラーの追跡分析により、35% の誤ったラベルと 11% の領域外画像が特定されました。
これを考慮すると、X 線写真の解剖学的領域のラベリング性能は、アンサンブルなしとアンサンブルありでそれぞれ理論上の精度 98.0% と 98.8% まで向上しました。

要約(オリジナル)

Modern deep learning-based clinical imaging workflows rely on accurate labels of the examined anatomical region. Knowing the anatomical region is required to select applicable downstream models and to effectively generate cohorts of high quality data for future medical and machine learning research efforts. However, this information may not be available in externally sourced data or generally contain data entry errors. To address this problem, we show the effectiveness of self-supervised methods such as SimCLR and BYOL as well as supervised contrastive deep learning methods in assigning one of 14 anatomical region classes in our in-house dataset of 48,434 skeletal radiographs. We achieve a strong linear evaluation accuracy of 96.6% with a single model and 97.7% using an ensemble approach. Furthermore, only a few labeled instances (1% of the training set) suffice to achieve an accuracy of 92.2%, enabling usage in low-label and thus low-resource scenarios. Our model can be used to correct data entry mistakes: a follow-up analysis of the test set errors of our best-performing single model by an expert radiologist identified 35% incorrect labels and 11% out-of-domain images. When accounted for, the radiograph anatomical region labelling performance increased — without and with an ensemble, respectively — to a theoretical accuracy of 98.0% and 98.8%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google