要約
自然画像で学習されたディープラーニングモデルは、医療分野におけるさまざまな分類タスクに広く用いられている。一般的に、ImageNet準拠で入力サイズが224 × 224ピクセルの低解像度画像のみを受け入れるディープラーニングモデルに投入する前に、非常に高次元な医療画像は補間技術を用いて低解像度にダウンサンプリングされる。この一般的な手法は、重要な情報を損失させる可能性があり、結果として分類性能に悪影響を及ぼすことがある。特に、医療画像における顕著な病理学的特徴は通常小規模であり、解像度の低下に極めて敏感である。この問題に対処するために、我々は自己符号化器（autoencoder）を用いて画像の解像度を低減する能力を学習しつつ、別途のネットワークで画像分類を行う、畳み込みニューラルネットワーク（CNN）ベースの分類アプローチを提案する。この手法では、2つのタスク（画像再構成と分類）を同時に学習することで、高解像度画像から分類に必要な本質的な表現を学習するようにモデルを誘導する。本研究では、公開されている胸部X線画像データセットを用いてこのアプローチの有効性を評価した結果、テストデータにおいて既存の最先端技術を上回る性能を達成した。さらに、このデータセットにおけるさまざまなデータ拡張手法の影響を実験的に検証し、代表的なImageNet準拠CNNモデルを用いたベースライン結果も報告している。