SCALP - 患者メタデータを使用した胸部X線における心肺疾患の分類と局在化のための監視付きコントラスト学習

コンピュータ支援診断は、胸部X線による心肺疾患の分類と局在化をよりアクセスしやすく、正確にする上で重要な役割を果たします。何百万人もの人々がこれらの疾患によって影響を受け、正確かつタイムリーな診断なしに亡くなっています。最近提案されたコントラスト学習は、特にポジティブデータ拡張に大きく依存しています。しかし、医療画像のための臨床的に正確なデータ拡張を生成することは非常に難しいです。なぜなら、シャープ、ぼかし、クロップ操作などの一般的なデータ拡張手法は、医療画像の臨床設定を大きく変更する可能性があるからです。本論文では、胸部X線のために臨床的に正確なポジティブおよびネガティブの拡張を作成するために、患者メタデータと監視された知識に基づく新しい簡単なデータ拡張手法を提案しました。私たちは、自己監督型コントラストアプローチを監視された設定に拡張するエンドツーエンドのフレームワークSCALPを導入します。具体的には、SCALPは同じ患者からの胸部X線（ポジティブキー）を近づけ、異なる患者からの胸部X線（ネガティブキー）を離します。さらに、心肺疾患を特定するためにResNet-50とトリプレットアテンションメカニズムを使用し、異常領域を強調するためにGrad-CAM++を使用します。私たちの広範な実験は、SCALPが分類および局在化タスクの両方で既存のベースラインを大幅に上回ることを示しています。具体的には、平均分類AUCは82.8%（DenseNet-121を使用したSOTA）から83.9%（ResNet-50を使用したSCALP）に改善され、局在化の結果は異なるIoUしきい値に対して平均3.7%改善されました。