[논문 리뷰] Application of Deep Learning in Neuroradiology: Automated Detection of Basal Ganglia Hemorrhage using 2D-Convolutional Neural Networks

Vishal Desai, Adam E. Flanders외 1명|arXiv (Cornell University)|2017. 10. 10.

Intracerebral and Subarachnoid Hemorrhage Research인용 수 9

한 줄 요약

이 연구는 비대조 두개부 영상에서 기저핵 출혈을 자동으로 감지하기 위해 2차원 컨volution 신경망(DCNNs)을 적용한다. 데이터 증강과 ImageNet 사전학습을 통해 가장 우수한 모델(사전학습된 증강된 GoogLeNet)은 AUC 1.00을 달성하여 가짜 양성 결과가 최소한인 높은 정확도로 출혈을 식별함을 보여준다.

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.

연구 동기 및 목표

• 비대조 두개부 영상에서 기저핵 출혈을 감지하기 위한 2차원 딥 컨volution 신경망(DCNNs)의 성능을 평가하는 것.
• 데이터 증강과 ImageNet 사전학습이 분류 정확도에 미치는 영향을 평가하는 것.
• 이러한 임상적 감지 작업에서 서로 다른 DCNN 아키텍처(AlexNet 및 GoogLeNet)의 성능을 비교하는 것.
• 딥 러닝 모델이 소규모이면서도 임상적으로 중요한 출혈에 대해 높은 민감도와 특이도를 달성할 수 있는지 확인하는 것.
• 실제 신경 radiology 워크플로우에서 자동 출혈 감지에 대한 향후 전향적 검증을 위한 기초를 마련하는 것.

제안 방법

• 170건의 익명화되고 HIPAA 기준을 충족하는 비대조 두개부 영상 스캔 데이터셋을 사용하였으며, 60건은 학습(45건)과 검증(15건)으로 분할되었고, 나머지 110건은 테스트용으로 확보되었다.
• 데이터셋에는 오른쪽 출혈 20건, 왼쪽 출혈 20건, 출혈 없음 20건이 포함되었으며, 데이터 증강을 통해 학습 세트 크기가 48배 증가하였다.
• 두 가지 DCNN 아키텍처인 AlexNet과 GoogLeNet을 각각 무작위 초기화에서부터 학습시키고, ImageNet 사전학습을 활용한 모델도 학습시켰다.
• 수신기 작동 특성(ROC) 곡선을 작성하였고, 통계적 비교를 위해 DeLong 방법을 사용하여 곡선 아래 면적(AUC)을 계산하였다.
• 성능 평가에는 AUC를 사용하였으며, 모델 간 비교의 유의성은 p < 0.001 기준으로 평가하였다.
• 전처리 및 증강 기법으로는 회전, 뒤집기, 스케일링을 적용하여 모델의 일반화 능력과 내성 강화를 도모하였다.

실험 결과

연구 질문

• RQ1 2차원-DCNN는 비대조 두개부 영상에서 기저핵 출혈 감지에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 데이터 증강은 소규모 또는 미세한 출혈 감지에서 DCNN의 성능을 향상시키는가?
• RQ3 ImageNet 사전학습된 네트워크는 이 의료 영상 작업에서 무작위 초기화된 네트워크보다 우수한 성능을 보이는가?
• RQ4 다양한 DCNN 아키텍처(예: AlexNet 대비 GoogLeNet)는 이 특정 임상 감지 작업에서 AUC 측면에서 어떻게 비교되는가?
• RQ5 모델은 더 큰 전향적 코hort에서 매우 작은 출혈에 대해서도 높은 성능를 유지할 수 있는가?

주요 결과

• 가장 뛰어난 성능을 보인 모델인 사전학습된 증강된 GoogLeNet는 기저핵 출혈 감지에서 AUC 1.00을 달성하였다.
• 데이터 증강은 모든 네트워크에서 분류 정확도를 유의미하게 향상시켰다(p < 0.001).
• 사전학습된 네트워크는 사전학습되지 않은 네트워크보다 성능이 뛰어났으며, 특히 데이터 증강이 없는 조건에서 유의미한 차이를 보였다(p < 0.001).
• 사전학습된 증강된 GoogLeNet 모델은 최고의 AlexNet 모델(AUC 0.95)보다 유의미하게 뛰어나며, 통계적으로 유의미한 차이가 있었다(p = 0.01).
• 이 연구는 적절한 데이터 증강과 사전학습을 통해 딥 러닝 모델이 비대조 두개부 영상에서 기저핵 출혈을 거의 완벽하게 감지할 수 있음을 입증하였다.
• 결과는 임상적 적용 잠재력이 높지만, 미세하거나 소규모 출혈에 대한 강건성을 확인하기 위해 더 큰 다양성 있는 데이터셋에서의 전향적 검증이 필요하다.