[论文解读] 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 9

一句话总结

本研究应用二维卷积神经网络（DCNNs）自动检测非增强头颅CT扫描中的基底节区出血。通过数据增强和ImageNet预训练，表现最佳的模型（预训练并增强的GoogLeNet）AUC达到完美值1.00，显示出在识别出血病灶时具有极高准确性且误报极少。

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.

研究动机与目标

• 评估二维深度卷积神经网络（DCNNs）在非增强头颅CT扫描中检测基底节区出血的表现。
• 评估数据增强和ImageNet预训练对分类准确率的影响。
• 比较不同DCNN架构（AlexNet与GoogLeNet）在此临床检测任务中的表现。
• 确定深度学习模型是否能对小而临床关键的出血灶实现高敏感性和特异性。
• 为未来在真实神经放射科工作流程中对自动化出血检测进行前瞻性验证提供基础。

提出的方法

• 使用了170例去标识化、符合HIPAA规定的非增强头颅CT扫描数据集，其中60例分为训练集（45例）和验证集（15例），其余110例保留用于测试。
• 数据集包含20例右侧、20例左侧及20例无出血病例，通过数据增强使训练集规模扩大48倍。
• 训练了两种DCNN架构——AlexNet和GoogLeNet，分别从零开始训练和使用ImageNet进行预训练。
• 生成受试者工作特征（ROC）曲线，并使用DeLong方法计算曲线下面积（AUC）以进行统计比较。
• 通过AUC评估性能，模型比较的显著性水平设定为p < 0.001。
• 预处理和增强技术包括旋转、翻转和缩放，以提高模型的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 2D-DCNN能否在非增强头颅CT扫描中实现对基底节区出血的高精度检测？
• RQ2 数据增强是否能提升DCNN在检测小或细微出血灶方面的性能？
• RQ3 在该医学影像任务中，ImageNet预训练网络是否优于随机初始化网络？
• RQ4 在该特定临床检测任务中，不同DCNN架构（如AlexNet与GoogLeNet）的AUC表现如何比较？
• RQ5 该模型在更大规模的前瞻性队列中是否能对极小的出血灶保持高性能？

主要发现

• 表现最佳的模型为预训练并经过增强的GoogLeNet，其检测基底节区出血的AUC达到1.00。
• 数据增强显著提升了所有网络的分类准确率（p < 0.001）。
• 预训练网络的表现优于未预训练网络，尤其在缺乏数据增强的情况下（p < 0.001）。
• 预训练并增强的GoogLeNet模型显著优于表现最佳的AlexNet模型（AUC 0.95），差异具有统计学意义（p = 0.01）。
• 本研究证明，当采用适当的数据增强和预训练策略时，深度学习模型可在非增强头颅CT上实现对基底节区出血的近乎完美检测。
• 结果表明该方法具有较强的临床部署潜力，但需在更大且更具多样性的数据集中进行前瞻性验证，以确认其对细微或小出血灶的鲁棒性。