[论文解读] 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 11

一句话总结

该论文提出了一种GLCM-CNN混合模型，将不规则的脑室内出血区域感兴趣区域（ROIs）转换为固定尺寸的灰度共生矩阵（GLCM）图像，并将其与原始CT图像融合作为双输入输入至CNN。该方法通过使网络能够聚焦于ROIs内的纹理特征而无需手动选择特征，从而提升分类准确率，在三个医学影像数据库上实现了最先进的性能，损失和准确率均得到改善。

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.

研究动机与目标

• 解决使用深度学习对CT扫描中不规则形状的脑室内出血区域进行分类的挑战。
• 在无需手动特征选择的情况下，将手工设计的GLCM纹理特征集成到CNN框架中。
• 通过双输入CNN架构突出病变特异性纹理模式，提升分类性能。
• 在多种医学影像数据集上验证GLCM-CNN策略的通用性与鲁棒性。

提出的方法

• 该方法利用四个方向（0°、45°、90°、135°）上的灰度强度共现统计，从不规则ROI构建GLCM图像。
• 将GLCM图像归一化为固定尺寸（例如96×96），并作为次要输入与原始CT图像一同输入CNN模型。
• 采用混合CNN架构，在特征层面融合来自整体图像的全局特征与来自GLCM图像的纹理特征，主干网络采用ResNet-18和VGG-11。
• 最终特征向量结合主CNN分支的1024个特征与32个GLCM提取的特征，经由Softmax层实现四分类。
• 使用5折交叉验证、早停策略和Adam优化进行模型训练，以最小化交叉熵损失。
• GLCM转换在保留纹理信息的同时实现了稳定的输入尺寸，克服了标准CNN对不规则ROI形状的限制。

实验结果

研究问题

• RQ1 基于GLCM的不规则ROI转换是否能提升使用CNN进行脑室内出血诊断的分类准确率？
• RQ2 将GLCM提取的纹理特征与CNN的深层特征融合，是否能优于仅使用CNN的性能？
• RQ3 所提出的GLCM-CNN模型是否能在具有不同病理类型和ROI特征的多种医学影像数据集中实现泛化？
• RQ4 当应用于小样本或类别不平衡的数据集时，该模型是否能降低复杂CNN架构（如ResNet-18）的过拟合风险？

主要发现

• 在出血数据集上，GLCM-CNN模型的测试损失为0.8697，准确率为87.55%，优于ResNet-18（损失：0.8839，准确率：86.07%）和VGG-11（损失：0.9110，准确率：83.71%）。
• 对于罕见出血类型（AVM和MMD），AUC值较基线模型提升超过2%，表明对低频病理的检测能力更强。
• 在BraTS18数据集上，GLCM-CNN将损失从1.0407（ResNet18）降低至1.0248，准确率从51.18%提升至52.64%。
• 在宫颈数据集上，模型将损失从0.9722（ResNet18）降至0.9670，准确率从57.56%提升至58.02%。
• 训练曲线显示，GLCM-CNN收敛更快且性能更稳定，在50个周期内损失持续更低、准确率持续更高。
• ResNet-18主干网络从GLCM分支中获益程度高于VGG-11，表明该方法有助于缓解深层模型中的过拟合问题。