日本語AIでPubMedを検索
超音波検査甲状腺結節分類のための知識誘導型合成医用画像敵対的増大法
Knowledge-guided synthetic medical image adversarial augmentation for ultrasonography thyroid nodule classification.
PMID: 32650266 DOI: 10.1016/j.cmpb.2020.105611.
抄録
背景と目的:
画像の分類は、多くの医療アプリケーションにおいて重要なタスクである。ディープラーニングに基づく手法は、コンピュータビジョン領域で大きな成果を上げてきた。しかし、これらの手法は、一般的に、アノテーションされた大規模なデータセットに依存しています。このような大規模データセットをどのようにして入手するかは、医療分野では未だに大きな問題となっている。
BACKGROUND AND OBJECTIVE: Image classification is an important task in many medical applications. Methods based on deep learning have made great achievements in the computer vision domain. However, they typically rely on large-scale datasets which are annotated. How to obtain such great datasets is still a serious problem in medical domain.
方法:
本論文では，医用画像を合成するための知識誘導型の敵対的増大法を提案する．まず、放射線技師から領域知識を抽出するためにTermエンコーダーと画像エンコーダーを設計し、その領域知識を新たな条件として、高品質の甲状腺結節画像を合成するための補助分類器生成逆襲ネットワーク(ACGAN)フレームワークを制約するために用いる。最後に，超音波検査による甲状腺結節の分類を行う際に，我々の手法を実証した．この方法は、高度な放射線技師の高品質な診断経験を有効に活用することができる。さらに、超音波画像ではなく、標準化された用語から領域知識を抽出することを創造的に選択している。
METHODS: In this paper, we propose a knowledge-guided adversarial augmentation method for synthesizing medical images. First, we design Term and Image Encoders to extract domain knowledge from radiologists, then we use domain knowledge as novel condition to constrain the Auxiliary Classifier Generative Adversarial Network (ACGAN) framework for the synthesis of high-quality thyroid nodule images. Finally, we demonstrate our method on the task of classifying ultrasonography thyroid nodule. Our method can make effective use of the high-quality diagnostic experience of advanced radiologists. In addition, we creatively choose to extract domain knowledge from standardized terms rather than ultrasound images.
結果:
1937枚の臨床甲状腺超音波画像とそれに対応する標準化された用語からなる限定されたデータセットを用いて、我々の新しい手法を実証した。提案したモデルの甲状腺結節に対する精度は91.46％、感度は90.63％、特異度は92.65％、AUCは95.32％であり、現在の甲状腺結節の分類法よりも優れている。実験結果は、このモデルがより優れた一般化と堅牢性を持っていることを示している。
RESULTS: Our novel method is demonstrated on a limited dataset of 1937 clinical thyroid ultrasound images and corresponding standardized terms. The accuracy of the proposed model for thyroid nodules is 91.46%, the sensitivity is 90.63%, the specificity is 92.65%, and the AUC is 95.32%, which is better than the current classification methods for thyroid nodules. The experimental results show the model has better generalization and robustness.
結論:
提案手法は、医療領域におけるデータ不足の問題を緩和できると考えており、他の医療問題も合成的増大法を利用することで利益を得ることができると考えている。
CONCLUSIONS: We believe that the proposed method can alleviate the problem of insufficient data in the medical domain, and other medical problems can benefit from using synthetic augmentation.
Copyright © 2020. Published by Elsevier B.V.