[論文レビュー] A GLCM Embedded CNN Strategy for Computer-aided Diagnosis in Intracerebral Hemorrhage

Yifan Hu, Yefeng Zheng|arXiv (Cornell University)|Jun 5, 2019

Brain Tumor Detection and Classification参考文献 9被引用数 11

ひとこと要約

本論文は、不規則な頭蓋内出血領域の注目領域（ROIs）を固定サイズのグレイレベロコーキャンスンマトリクス（GLCM）画像に変換するGLCM-CNNハイブリッドモデルを提案する。このGLCM画像は、元のCT画像と統合され、CNNの二重入力として使用される。この手法により、手動による特徴選択を必要とせず、ネットワークがROIs内のテクスチャ特徴に注目できるようにすることで分類精度が向上し、3つの医療画像データベースで最先端の性能を達成し、損失と精度の両方が向上した。

ABSTRACT

Computer-aided diagnosis (CADx) systems have been shown to assist radiologists by providing classifications of all kinds of medical images like Computed tomography (CT) and Magnetic resonance (MR). Currently, convolutional neural networks play an important role in CADx. However, since CNN model should have a square-like input, it is usually difficult to directly apply the CNN algorithms on the irregular segmentation region of interests (ROIs) where the radiologists are interested in. In this paper, we propose a new approach to construct the model by extracting and converting the information of the irregular region into a fixed-size Gray-Level Co-Occurrence Matrix (GLCM) and then utilize the GLCM as one input of our CNN model. In this way, as an useful implementary to the original CNN, a couple of GLCM-based features are also extracted by CNN. Meanwhile, the network will pay more attention to the important lesion area and achieve a higher accuracy in classification. Experiments are performed on three classification databases: Hemorrhage, BraTS18 and Cervix to validate the universality of our innovative model. In conclusion, the proposed framework outperforms the corresponding state-of-art algorithms on each database with both test losses and classification accuracy as the evaluation criteria.

研究の動機と目的

• 深層学習を用いてCTスキャンにおける不規則な形状の頭蓋内出血領域を分類する課題に対処すること。
• 手動による特徴選択を要せず、手作りのGLCMテクスチャ特徴をCNNフレームワークに統合すること。
• 二重入力CNNアーキテクチャを用いて、病変特異的なテクスチャパターンに注目することで分類性能を向上させること。
• 多様な医療画像データセットにおけるGLCM-CNN戦略の普遍性と頑健性を検証すること。

提案手法

• 本手法は、4方向（0°、45°、90°、135°）における強度の共起統計を用いて、不規則なROIからGLCM画像を構築する。
• GLCM画像は固定サイズ（例：96×96）に正規化され、元のCT画像と併せてCNNモデルの補助入力として使用される。
• グローバル特徴とGLCM画像からのテクスチャ特徴を、特徴レベルで統合するハイブリッドCNNアーキテクチャが採用され、バックボーンネットワークとしてResNet-18とVGG-11が使用される。
• 最終的な特徴ベクトルは、メインCNNブランチからの1024特徴とGLCM由来の32特徴を組み合わせ、4クラス分類用にソフトマックス層を通過する。
• モデルは、5分割交差検証と早期停止、Adam最適化を用いて訓練され、交差エントロピー損失を最小化する。
• GLCM変換はテクスチャ情報を保持しつつ、一貫した入力サイズを可能にし、従来のCNNにおける不規則なROI形状の制限を克服する。

実験結果

リサーチクエスチョン

• RQ1 不規則なROIsをGLCMベースで変換することで、CNNを用いた頭蓋内出血診断における分類精度が向上するか？
• RQ2 CNNの深層特徴とGLCM由来のテクスチャ特徴を統合することで、CNN単体よりも高い性能が得られるか？
• RQ3 提案されたGLCM-CNNモデルは、病理タイプやROI特性が異なる多様な医療画像データセットに一般化可能か？
• RQ4 小規模または不均衡なデータセットに適用された際、GLCM-CNNモデルはResNet-18のような複雑なCNNアーキテクチャにおける過学習を軽減するか？

主な発見

• GLCM-CNNモデルは、出血データセットでテスト損失0.8697、精度87.55％を達成し、ResNet-18（損失：0.8839、精度：86.07％）およびVGG-11（損失：0.9110、精度：83.71％）を上回った。
• 稀な出血タイプ（AVMおよびMMD）において、AUCがベースラインモデルと比較して2％以上向上し、低頻度の病変の検出能が向上した。
• BraTS18データセットでは、GLCM-CNNが損失を1.0407（ResNet18）から1.0248に低下させ、精度を51.18％から52.64％に向上させた。
• Cervixデータセットでは、損失を0.9722（ResNet18）から0.9670に低下させ、精度を57.56％から58.02％に向上させた。
• トレーニング曲線は、GLCM-CNNが50エポックにわたりより速い収束とより安定した性能を示し、常に低い損失と高い精度を維持した。
• ResNet-18バックボーンはGLCMブランチからVGG-11よりもより大きな恩恵を受けたため、この手法がより深いモデルにおける過学習を軽減する可能性を示唆した。