[論文レビュー] Application of Deep Learning in Neuroradiology: Automated Detection of Basal Ganglia Hemorrhage using 2D-Convolutional Neural Networks

Vishal Desai, Adam E. Flanders+1 more|arXiv (Cornell University)|Oct 10, 2017

Intracerebral and Subarachnoid Hemorrhage Research被引用数 9

ひとこと要約

本研究では、非対照的頭部CTスキャンにおける基底核領域の出血を自動検出するために2次元畳み込みニューラルネットワーク（DCNN）を適用した。データ拡張とImageNet事前学習を用いることで、最良のモデル（事前学習済みで拡張されたGoogLeNet）はAUCが1.00に達し、偽陽性を最小限に抑えて出血を高精度に同定できることを示した。

ABSTRACT

Background: Deep learning techniques have achieved high accuracy in image classification tasks, and there is interest in applicability to neuroimaging critical findings. This study evaluates the efficacy of 2D deep convolutional neural networks (DCNNs) for detecting basal ganglia (BG) hemorrhage on noncontrast head CT. Materials and Methods: 170 unique de-identified HIPAA-compliant noncontrast head CTs were obtained, those with and without BG hemorrhage. 110 cases were held-out for test, and 60 were split into training (45) and validation (15), consisting of 20 right, 20 left, and 20 no BG hemorrhage. Data augmentation was performed to increase size and variation of the training dataset by 48-fold. Two DCNNs were used to classify the images-AlexNet and GoogLeNet-using untrained networks and those pre-trained on ImageNet. Area under the curves (AUC) for the receiver-operator characteristic (ROC) curves were calculated, using the DeLong method for statistical comparison of ROCs. Results: The best performing model was the pre-trained augmented GoogLeNet, which had an AUC of 1.00 in classification of hemorrhage. Preprocessing augmentation increased accuracy for all networks (p<0.001), and pretrained networks outperformed untrained ones (p<0.001) for the unaugmented models. The best performing GoogLeNet model (AUC 1.00) outperformed the best performing AlexNet model (AUC 0.95)(p=0.01). Conclusion: For this dataset, the best performing DCNN identified BG hemorrhage on noncontrast head CT with an AUC of 1.00. Pretrained networks and data augmentation increased classifier accuracy. Future prospective research would be important to determine if the accuracy can be maintained on a larger cohort of patients and for very small hemorrhages.

研究の動機と目的

• 非対照的頭部CTスキャンにおける基底核領域出血の検出に、2次元ディープ畳み込みニューラルネットワーク（DCNN）の性能を評価すること。
• データ拡張およびImageNet事前学習が分類精度に与える影響を評価すること。
• この臨床的検出タスクにおける異なるDCNNアーキテクチャ（AlexNetおよびGoogLeNet）の性能を比較すること。
• ディープラーニングモデルが、小規模で臨床的に重要な出血に対して高い感度および特異度を達成できるかどうかを検証すること。
• 将来的な前向きの妥当性評価を実世界の神経放射線学的ワークフローにおける自動化出血検出の基盤を提供すること。

提案手法

• 170例の匿名化され、HIPAAに準拠した非対照的頭部CTスキャンのデータセットを用い、60例を訓練用（45例）および検証用（15例）に、残りの110例をテスト用に分離した。
• データセットには、右側出血20例、左側出血20例、出血なし20例が含まれており、データ拡張により訓練セットのサイズが48倍に拡大された。
• AlexNetおよびGoogLeNetの2つのDCNNアーキテクチャを、ランダム初期化から訓練する場合とImageNet事前学習を用いる場合の両方で訓練した。
• 受信者操作特性（ROC）曲線を生成し、統計的比較にはDeLong法を用いて曲線下面積（AUC）を計算した。
• AUCを用いて性能を評価し、モデル比較の有意性はp < 0.001で評価した。
• 前処理および拡張技術には、回転、反転、スケーリングが含まれ、モデルの汎化性能および耐性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 2次元-DCNNは、非対照的頭部CTスキャンにおける基底核領域出血の検出で高い正確性を達成できるか？
• RQ2 データ拡張は、小規模または微細な出血の検出におけるDCNNの性能を向上させるか？
• RQ3 ImageNet事前学習済みネットワークは、ランダム初期化されたネットワークを上回る性能を示すか？
• RQ4 異なるDCNNアーキテクチャ（例：AlexNet対GoogLeNet）は、この特定の臨床的検出タスクにおいてAUCの観点でどのように比較できるか？
• RQ5 モデルは、より大きな前向きコhortにおいて、非常に小さな出血に対しても高い性能を維持できるか？

主な発見

• 最も優れた性能を示したモデルは、事前学習済みで拡張されたGoogLeNetであり、基底核領域出血の検出でAUC 1.00を達成した。
• データ拡張は、すべてのネットワークにおいて分類精度を顕著に向上させた（p < 0.001）。
• 事前学習済みネットワークは、データ拡張がない場合でも、未学習ネットワークを上回った（p < 0.001）。
• 事前学習済みで拡張されたGoogLeNetモデルは、最良のAlexNetモデル（AUC 0.95）を有意に上回った（p = 0.01）。
• 本研究では、適切なデータ拡張および事前学習を用いることで、ディープラーニングモデルが非対照的頭部CTにおける基底核領域出血のほぼ完璧な検出を達成できることを示した。
• 結果から、臨床的導入の強い可能性が示唆されたが、微細または小規模な出血に対する耐性を確認するためには、より大規模かつ多様なデータセットを用いた前向きの妥当性評価が必要である。