異なる種類の病変を用いた深層転送学習が、事前学習済みモデルの分類性能に与える影響：パノラマX線写真上の放射線透過性病変を用いた検証

Effect of deep transfer learning with a different kind of lesion on classification performance of pre-trained model: Verification with radiolucent lesions on panoramic radiographs.

抄録

目的:

本研究の目的は、異なる種類の病変を用いた学習が、対象モデルの性能に与える影響を明らかにすることであった。

PURPOSE: The aim of this study was to clarify the influence of training with a different kind of lesion on the performance of a target model.

材料と方法:

合計310名の患者（男性211名、女性99名、平均年齢47.9±16.1歳）を抽出し、そのパノラマ画像を本研究に使用した。下顎放射状嚢胞様病変（放射状嚢胞、歯状嚢胞、歯原性角化嚢胞、アメロブラストーマ）を含むパノラマX線写真を用いて、ソースモデルを作成しました。このモデルは、スタフネ骨腔の画像に模擬的に移植し、学習させた。Digits version 5.0 (NVIDIA, Santa Clara, CA)で構築されたカスタマイズされたDetectNetを使用して学習モデルを作成した。転移学習のシミュレーションには、同一仕様の2台のマシン（マシンA、B）を使用した。A機でアメロブラストーマ、歯原性角化嚢胞、歯状嚢胞、放射状嚢胞からなるデータからソースモデルを作成し、B機に転送してスタフネ骨腔の追加データで学習させてターゲットモデルを作成した。症例数の影響を調べるため、スタフネ骨腔の症例数を変えて複数のターゲットモデルを作成しました。

MATERIALS AND METHODS: A total of 310 patients (211 men, 99 women; average age, 47.9±16.1 years) were selected and their panoramic images were used in this study. We created a source model using panoramic radiographs including mandibular radiolucent cyst-like lesions (radicular cyst, dentigerous cyst, odontogenic keratocyst, and ameloblastoma). The model was simulatively transferred and trained on images of Stafne's bone cavity. A learning model was created using a customized DetectNet built in the Digits version 5.0 (NVIDIA, Santa Clara, CA). Two machines (Machines A and B) with identical specifications were used to simulate transfer learning. A source model was created from the data consisting of ameloblastoma, odontogenic keratocyst, dentigerous cyst, and radicular cyst in Machine A. Thereafter, it was transferred to Machine B and trained on additional data of Stafne's bone cavity to create target models. To investigate the effect of the number of cases, we created several target models with different numbers of Stafne's bone cavity cases.

結果:

スタフネ骨腔のデータを学習に追加したところ、この病態の検出・分類性能が向上しました。また、スタフネ骨腔以外の病変についても、スタフネ骨腔の件数が増えるほど検出感度が向上する傾向が見られた。

RESULTS: When the Stafne's bone cavity data were added to the training, both the detection and classification performances for this pathology improved. Even for lesions other than Stafne's bone cavity, the detection sensitivities tended to increase with the increase in the number of Stafne's bone cavities.

結論:

本研究により、転移学習に異なる病変を用いることで、モデルの性能が向上することが示された。

CONCLUSION: This study showed that using different lesions for transfer learning improves the performance of the model.