胸部X線写真における結核検出の改善のためのモデルの新規積層一般化

A novel stacked generalization of models for improved TB detection in chest radiographs.

• S Rajaraman
• S Candemir
• Z Xue
• P O Alderson
• M Kohli
• J Abuya
• G R Thoma
• S Antani

抄録

胸部X線（CXR）検査は、活動性肺結核（TB）を確認するためのプロトコルの一般的な部分である。しかし、多くの結核常在地域では、放射線診断サービスのリソースが著しく制限されており、タイムリーな結核の検出と治療が妨げられている。コンピュータ支援診断（CADx）ツールは、意思決定を補完すると同時に、移動式フィールドスクリーニング時の専門家による放射線学的解釈のギャップに対処することができる。これらのツールは、手作業で作成された、あるいは畳み込みニューラルネットワーク（CNN）で計算された画像特徴を使用しています。ディープラーニング（DL）モデルの一種であるCNNは、視覚認識の分野で研究が盛んになってきています。アンサンブル学習は、非線形な意思決定関数を構築し、視覚認識を向上させるという固有の利点を持っていることが示されている。本研究では，CXRにおけるTB検出の改善に向けて，ハンドエンジニアリングとCNN特徴量を用いた分類器のスタッキングを作成した．得られた結果は、最先端の技術を凌駕する有望なものであった。

Chest x-ray (CXR) analysis is a common part of the protocol for confirming active pulmonary Tuberculosis (TB). However, many TB endemic regions are severely resource constrained in radiological services impairing timely detection and treatment. Computer-aided diagnosis (CADx) tools can supplement decision-making while simultaneously addressing the gap in expert radiological interpretation during mobile field screening. These tools use hand-engineered and/or convolutional neural networks (CNN) computed image features. CNN, a class of deep learning (DL) models, has gained research prominence in visual recognition. It has been shown that Ensemble learning has an inherent advantage of constructing non-linear decision making functions and improve visual recognition. We create a stacking of classifiers with hand-engineered and CNN features toward improving TB detection in CXRs. The results obtained are highly promising and superior to the state-of-the-art.