[论文解读] A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks

Ruqian Hao, Khashayar Namdar+3 more|arXiv (Cornell University)|Jun 1, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 25被引用 4

一句话总结

本研究使用二维卷积神经网络在扩散加权磁共振成像（DW-MRI）中评估了五种数据增强技术——随机旋转、水平翻转、垂直翻转、随机裁剪和平移——在前列腺癌检测中的表现。结果显示，随机旋转增强在浅层卷积神经网络中取得了最高的曲线下面积（AUC）0.85，优于更深的网络架构及其他增强策略，在95例患者的测试集上表现突出。

ABSTRACT

Data augmentation refers to a group of techniques whose goal is to battle limited amount of available data to improve model generalization and push sample distribution toward the true distribution. While different augmentation strategies and their combinations have been investigated for various computer vision tasks in the context of deep learning, a specific work in the domain of medical imaging is rare and to the best of our knowledge, there has been no dedicated work on exploring the effects of various augmentation methods on the performance of deep learning models in prostate cancer detection. In this work, we have statically applied five most frequently used augmentation techniques (random rotation, horizontal flip, vertical flip, random crop, and translation) to prostate Diffusion-weighted Magnetic Resonance Imaging training dataset of 217 patients separately and evaluated the effect of each method on the accuracy of prostate cancer detection. The augmentation algorithms were applied independently to each data channel and a shallow as well as a deep Convolutional Neural Network (CNN) were trained on the five augmented sets separately. We used Area Under Receiver Operating Characteristic (ROC) curve (AUC) to evaluate the performance of the trained CNNs on a separate test set of 95 patients, using a validation set of 102 patients for finetuning. The shallow network outperformed the deep network with the best 2D slice-based AUC of 0.85 obtained by the rotation method.

研究动机与目标

• 研究不同数据增强策略对从扩散加权磁共振成像中进行前列腺癌检测的深度学习性能的影响。
• 比较常见增强技术（旋转、翻转、裁剪和平移）在模型泛化能力和准确性方面的有效性。
• 评估在医学影像中典型的低数据环境下，数据增强是否能提升模型性能。
• 在不同增强方案下，评估浅层与深层卷积神经网络架构的性能表现。
• 确定在临床MRI分类任务中，最大化曲线下面积（AUC）的最优增强策略。

提出的方法

• 将五种标准数据增强技术——随机旋转、水平翻转、垂直翻转、随机裁剪和平移——分别应用于包含217例患者的DW-MRI数据集。
• 对每个数据通道独立应用增强，以保留多参数MRI的特征。
• 在五个独立增强的数据集上分别训练一个浅层和一个深层卷积神经网络（CNN）。
• 使用102例患者的验证集进行超参数调优和模型选择。
• 使用曲线下面积（AUC）作为主要指标，在保留的95例患者测试集上评估最终模型。
• 确保所有增强策略与网络架构配置下的训练和评估协议保持一致。

实验结果

研究问题

• RQ1 在从DW-MRI进行前列腺癌检测时，哪种数据增强技术能实现最高的分类性能？
• RQ2 在低数据医学影像设置下，不同增强策略如何影响卷积神经网络的泛化能力和鲁棒性？
• RQ3 当与数据增强结合时，浅层CNN的性能是否优于深层网络架构？
• RQ4 与基线模型相比，各独立增强方法在AUC提升方面表现如何？
• RQ5 在此特定医学影像应用中，增强与网络深度之间是否存在协同效应？

主要发现

• 旋转增强策略在测试集上实现了最高的2D切片AUC 0.85，优于所有其他增强技术。
• 浅层CNN架构的性能优于深层网络，其中使用旋转增强的模型取得了最佳AUC 0.85。
• 水平翻转和垂直翻转的AUC值低于旋转，表明在DW-MRI中保留诊断特征的效益有限。
• 随机裁剪和平移增强表现出中等性能，但未超越旋转增强的有效性。
• 旋转增强与浅层CNN的结合提供了最稳健且准确的分类性能。
• 本研究表明，简单的静态增强策略可在低数据医学影像场景中显著提升模型性能。