Chest Radiograph Inspection Networks for Quality Control and Classification Performance Boosting

Abstract

Predicting the presence of diseases in chest radiographs using deep learning methods is one of the most common medical imaging tasks. Recently, the performances of the state-of-the-art models outperformed the radiologists for some diseases. However, there are still many chest radiographs that even those state-of-the-art models cannot correctly classify. Some chest radiographs are either too difficult to classify or contain elements that are confusing to the models. This paper proposes a chest radiograph inspection network (CRI-Net), a deep learning method that quantifies how well or poorly a disease classification model will classify chest radiographs. Large dataset experiments showed that the method can perform quality control on chest radiographs and further can enhance the AUROC of the disease classification predictions for some diseases.

딥러닝 방법론을 사용해 흉부 방사선 사진에서 질병의 존재를 예측하는 것은 가장 일반적인 의료 영상 작업 중 하나다. 최신 모델들은 일부 질병 분류에 대해 방사선 전문의를 능가할 정도로 발전했다. 그러나 이러한 모델로도 정확하게 분류할 수 없는 흉부 방사선 사진은 여전히 많다. 일부 흉부 방사선 사진은 분류하기에 너무 어렵거나 모델에게 혼동을 주는 요소를 갖고 있다. 본 논문은 질병 분류 모델이 흉부 방사선 사진을 얼마나 잘, 혹은 잘못 분류할지를 정량화하는 딥러닝 방법론인 흉부 방사선 사진 검사 네트워크(CRI-Net)를 제안한다. 대용량 데이터로 실험한 결과, 해당 방법론이 일부 질병에 대해 흉부 방사선 사진에 대한 품질 관리를 수행할 수 있고 질병 분류 예측 AUROC를 강화할 수 있음을 확인했다.