[论文解读] Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation

Diyuan Lu, Nenad Polomac+3 more|arXiv (Cornell University)|Jun 17, 2020

Brain Tumor Detection and Classification参考文献 43被引用 5

一句话总结

该论文提出了一种深度学习框架，结合数据提炼与类别混合数据增强技术，在噪声大、样本有限的磁共振波谱（MRS）数据上实现了人类专家水平的脑肿瘤检测准确率。通过识别代表性样本并利用混合方法生成合成训练数据，该方法提升了模型的泛化能力，AUC达到0.77，灵敏度和患者层面准确率均优于人类神经放射科医生。

ABSTRACT

The application of Deep Learning (DL) for medical diagnosis is often hampered by two problems. First, the amount of training data may be scarce, as it is limited by the number of patients who have acquired the condition to be diagnosed. Second, the training data may be corrupted by various types of noise. Here, we study the problem of brain tumor detection from magnetic resonance spectroscopy (MRS) data, where both types of problems are prominent. To overcome these challenges, we propose a new method for training a deep neural network that distills particularly representative training examples and augments the training data by mixing these samples from one class with those from the same and other classes to create additional training samples. We demonstrate that this technique substantially improves performance, allowing our method to reach human-expert-level accuracy with just a few thousand training examples. Interestingly, the network learns to rely on features of the data that are usually ignored by human experts, suggesting new directions for future research.

研究动机与目标

• 为解决医学深度学习中脑肿瘤检测MRS数据训练样本有限且噪声大的挑战。
• 开发一种无需人工标注原型样本即可提升模型泛化能力的数据增强策略。
• 在分类肿瘤与非肿瘤MRS谱图方面，实现与人类专家神经放射科医生相当或更优的性能。
• 探究深度神经网络是否学习到超越人类专家关注点的生物相关特征。

提出的方法

• 采用两阶段神经网络框架：通过数据提炼网络识别易于分类的代表性训练样本。
• 通过线性插值混合同类别或不同类别的代表性样本，生成合成训练样本。
• 在增强后的数据集上训练最终分类网络，以提升鲁棒性与泛化能力。
• 在卷积层后应用全局平均池化（GAP）层，以支持类激活图（CAM）可视化，提升可解释性。
• 该方法直接作用于噪声大、弱标签化的原始数据，无需人工筛选原型样本。
• 采用留一法交叉验证，在接近真实临床条件的设定下评估性能。

实验结果

研究问题

• RQ1 尽管训练数据有限且存在噪声，深度学习模型是否能在MRS数据上实现人类专家水平的脑肿瘤检测性能？
• RQ2 数据提炼与类别混合增强是否能提升低数据场景下模型的泛化能力与鲁棒性？
• RQ3 深度神经网络所学习到的特征是否与人类专家使用的特征一致或互补？
• RQ4 通过类激活图可视化所呈现的模型注意力机制，与MRS谱图中已知的代谢生物标志物是否存在相关性？

主要发现

• 所提方法AUC达到0.77，优于人类神经放射科医生群体在相同测试集上的表现（AUC：0.68）。
• 该模型灵敏度（0.73）与患者层面准确率（0.76）均高于人类专家组（灵敏度：0.54，准确率：0.69）。
• 类激活图显示，网络关注到如胆碱、肌醇和脂质峰等已知与肿瘤相关的代谢物模式，同时也突出了较不明显的区域，如NAA峰前的平台区。
• 网络学习到人类专家通常不强调的特征，例如2-羟基戊二酸区域的谱图形状，以及多种代谢物模式的共现特征。
• 通过混合两类样本进行数据增强，相比其他增强配置，结果更稳定且更有效。
• 该框架成功缓解了噪声标签与数据稀缺的影响，仅使用数千个训练样本即实现高性能。