Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus

要約

【タイトル】上顎洞における異常の分類のための複数インスタンスアンサンブル

【要約】
– 一般的な放射線検査で上顎洞の異常が頻繁に発見され、様々な形態学的特徴を示す。
– これらの多様性により、限られたデータセットである場合に異常を正確に分類することは、畳み込みニューラルネットワーク（CNNs）にとって困難になる。
– 現在の上顎洞の異常分類のアプローチは、一度に1つの異常しか特定できないため、研究・開発が必要。
– この研究では、健康な上顎洞（MS）とポリープまたは嚢胞を有するMSを分類するために3D CNNの利用を調査。
– 当該MS側の出力を正確に特定することは難しいため、MSを含む大型頭頸部MRIスキャン内の適切なMSボリュームを特定するためのシンプルな戦略を開発。
– 新しいサンプリング手法を使用して、関連するMSボリュームを効果的に特定するだけでなく、トレーニングデータセットのサイズを拡大し、分類結果を改善する。
– 加えて、複数のインスタンスアンサンブル予測法を使用して、分類パフォーマンスをさらに向上。
– 最適なMSボリュームサイズを特定して、最高の分類パフォーマンスを実現する。
– 複数インスタンスアンサンブル予測戦略とサンプリング戦略により、3D CNNはF1スコア0.85を達成し、これがなければ0.70を達成するにとどまる。
– MSにおける異常の分類の実現可能性を示し、データ拡大戦略と新しいアンサンブル戦略を提案し、上顎洞の異常分類において有益であることを示した。

要約(オリジナル)

Paranasal anomalies are commonly discovered during routine radiological screenings and can present with a wide range of morphological features. This diversity can make it difficult for convolutional neural networks (CNNs) to accurately classify these anomalies, especially when working with limited datasets. Additionally, current approaches to paranasal anomaly classification are constrained to identifying a single anomaly at a time. These challenges necessitate the need for further research and development in this area. In this study, we investigate the feasibility of using a 3D convolutional neural network (CNN) to classify healthy maxillary sinuses (MS) and MS with polyps or cysts. The task of accurately identifying the relevant MS volume within larger head and neck Magnetic Resonance Imaging (MRI) scans can be difficult, but we develop a straightforward strategy to tackle this challenge. Our end-to-end solution includes the use of a novel sampling technique that not only effectively localizes the relevant MS volume, but also increases the size of the training dataset and improves classification results. Additionally, we employ a multiple instance ensemble prediction method to further boost classification performance. Finally, we identify the optimal size of MS volumes to achieve the highest possible classification performance on our dataset. With our multiple instance ensemble prediction strategy and sampling strategy, our 3D CNNs achieve an F1 of 0.85 whereas without it, they achieve an F1 of 0.70. We demonstrate the feasibility of classifying anomalies in the MS. We propose a data enlarging strategy alongside a novel ensembling strategy that proves to be beneficial for paranasal anomaly classification in the MS.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI