Pulmonary abnormality screening on chest x-rays from different machine specifications: a generalized AI-based image manipulation pipeline¶
Eur. Radiol. Exp.(2023), 1 citation, RadiSen, Review Data: 2025.01.08
한 줄 요약
장비(detector/generator) 사양이 바뀌면 실패하는 흉부 x-ray 폐 이상 분류 AI를, 전처리와 data augmentation으로 구성된 XM-pipeline으로 다양한 기계에 일반화시킨다.
Core Idea: "Introduces a New Image Processing Pipeline to Address the Generalization Problem"
| 흐름 | 내용 |
|---|---|
| 문제 | x-ray 이미지 특성이 기계 사양(CR/DR detector, 이동식/고정식 generator)에 크게 의존해, 특정 장비로 개발된 AI가 다른 장비에서 보통 실패한다 |
| 아이디어 | 히스토그램을 수정해 밝기를 정규화하고 폐 영역 정보를 최대화하는 전처리 + data augmentation으로 구성된 XM-pipeline으로 EfficientNet-B6 분류기 학습 |
| 결과 | 다른 기계 사양의 외부 데이터셋 모두에서 HE·CLAHE·UM 파이프라인보다 높은 AUC (예: 0.944 vs 0.917/0.705/0.544) |

Figure 1. 데이터 수집 및 분할 흐름 (베트남·인도네시아 병원)
1. 문제 정의 — 왜 이 논문이 필요한가¶
Background¶
- Chest x-ray (흉부 x-ray)는 pulmonary abnormality screening (폐 이상 검사)에 흔히 사용된다.
- 하지만, x-ray의 이미지 특성이 machine specifications (기계 사양)에 매우 의존하기에 임상적으로 다양한 기계에 적용했을 때, 특정 장비에 대해 개발된 AI는 보통 실패한다.
- X-ray 기계는 대체로 detector (e.g., 컴퓨터 방사선 촬영 (CR) 및 디지털 방사선 촬영 (DR))과 generator (e.g., 이동식 또는 고정식)으로 구성된다.
- 예를 들어, DR 감지기에서 촬영한 흉부 x-ray 이미지는 동일한 방사선량에서 CR 감지기에서 촬영한 이미지보다 일반적으로 더 좋은 이미지 품질을 보인다.
- 또한, 이동식 x-ray 기계에서 촬영한 흉부 x-ray 이미지는 제한된 최대 전력으로 인해 고정식 기계보다 더 많은 노이즈를 포함하는 경우가 많다.
- 이러한 문제를 극복하기 위해 본 논문은 image manipulation pipeline을 제안한다.
Methods¶
- 2020년 5월 ~ 2021년 2월까지 5개의 기관에서 다른 generators/detectors로 \(15,010\) x-ray 사진을 수집했다.
- 본 논문은 single system에서 x-ray를 사용해 폐 이상을 분류하기 위해 AI model을 개발했다.
- 그 후, 다양한 기계 사양에 chest x-ray의 성능을 외부적으로 실험했다.
- 본 논문에서 제안한 manipulation pipeline (XM-pipeline)의 AUC (수신자 조작 특성 곡선 아래 면적) (the area under the receiver operating characteristics curve)와; 기존의 이미지 처리 파이프라인 (histogram equalization [HE], contrast-limited histogram equalization [CLAHE], and unsharp masking [UM] with common data augmentations)을 사용하여 개발된 AI 모델의 AUC를 비교했다.
AUC는 모델이 양성과 음성을 얼마나 잘 구분하는 지를 측정한다. 값은 0에서 1사이로, 1에 가까울수록 좋은 성능을 의미한다.
x축이 FPR (FP / (FP + TN)) y축이 TPR (TP / (TP + FN)) = recall로, recall이 중요한 task이므로 1에 가까워야 한다.
Results¶
- XM-pipeline model은 다른 기계 사양의 모든 데이터셋에 대해 가장 높은 성능을 보여줬다.
- Chest x-ray: n = 356, AUC 0.944 for XM-pipeline versus 0.917 for HE, 0.705 for CLAHE, 0.544 for UM, p ≤ 0.001, for all
- Mobile x-ray generator: n = 204, AUC 0.949 for XM-pipeline versus 0.933 for HE, p = 0.042, 0.932 for CLAHE (p = 0.009), 0.925 for UM (p = 0.001)
2. 방법¶
Image collection and manipulation¶
-
베트남과 인도네시아 병원에서 흉부 x-ray 이미지를 수집했다.
- 2020년 5월부터 2021년 2월까지 베트남 폐 병원에서 총 \(11,652\)장을 수집했다.
- 2020년 9월부터 10월까지 인도네시아 \(4\)개 지역에 위치한 Awal Bros 병원에서 \(3,358\)장을 수집했다.
- 각 병원은 서로 다른 x-ray 기계사양을 사용했다.
-
방사선과 전문의의 주석을 바탕으로 \(3,834\)장은 제외했다.
- 베트남 병원에서 수집된 흉부 x-ray이미지는 train (5,763), validation (1,439), and test (1,278)으로 무작위 분할했다.
- 또한, 인도네시아 병원에서 수집된 이미지는 각 x-ray 기계와 병원에 따라 외부 test 데이터셋으로 \(4\) 개의 데이터셋으로 분할했다.
Train models¶
- EfficientNet-B6를 사용하고 1) 전통적인 이미지 처리 파이프라인, 2) 본 논문에서 제안한 XM-pipeline, 3) 이미지 처리없이 (=baseline) \(5\)개의 모델을 훈련시켜 normal/abnormal로 분류했다.
- 각 파이프라인은 전처리와 data augmentation으로 구성된다.
- 모든 흉부 x-ray 이미지는 전처리 후 \(512 \times 512\)로 크기가 조정됐다.
Conventional image processing pipeline¶
- 전통적인 이미지 전처리에는 HE, CLAHE, UM을 사용했다.
- 증강 기법으로는 일반적으로 사용되는 무작위 회전(각도 범위 [-15, 15])과 수평 플리핑(확률 0.5)을 적용했다.
XM-pipeline¶
- 전처리: 히스토그램을 수정하여 밝기를 정규화하고 폐 영역 내의 정보를 최대화했다.
3. 정리¶
- Data pre-processing & Data augmentation 기법을 적절하게 사용하여 모든 기계에 사용할 수 있게 일반화 성능을 올린다.