[论文解读] Automated diagnosis of pneumothorax using an ensemble of convolutional neural networks with multi-sized chest radiography images

Tae Joon Jun, Do‐Hyeun Kim+1 more|arXiv (Cornell University)|Apr 18, 2018

COVID-19 diagnosis using AI参考文献 13被引用 13

一句话总结

本文提出一种由相同卷积神经网络（CNN）组成的集成模型，用于处理多尺寸的胸部X光片，以提升气胸检测性能。通过在多种输入分辨率下保留空间细节，该方法在ChestX-ray100k数据集上实现了0.911的AUC，优于先前方法，在使用大尺寸医学影像进行自动化气胸诊断方面达到了新的最先进水平。

ABSTRACT

Pneumothorax is a relatively common disease, but in some cases, it may be difficult to find with chest radiography. In this paper, we propose a novel method of detecting pneumothorax in chest radiography. We propose an ensemble model of identical convolutional neural networks (CNN) with three different sizes of radiography images. Conventional methods may not properly characterize lost features while resizing large size images into 256 x 256 or 224 x 224 sizes. Our model is evaluated with ChestX-ray dataset which contains over 100,000 chest radiography images. As a result of the experiment, the proposed model showed AUC 0.911, which is the state of the art result in pneumothorax detection. Our method is expected to be effective when applying CNN to large size medical images.

研究动机与目标

• 为解决在胸部X光片中检测气胸的挑战，因病灶特征细微或中等大小而容易被遗漏。
• 克服传统CNN在将大尺寸医学影像缩放到固定输入尺寸（如224×224或256×256）时丢失空间信息的局限性。
• 通过利用同一图像在不同分辨率下的多尺度特征，提升诊断准确性。
• 开发一种稳健且可扩展的深度学习框架，适用于大格式医学影像数据。
• 为胸部X光片中的气胸检测建立新的最先进性能基准。

提出的方法

• 该方法采用由相同CNN组成的集成模型，每个CNN分别以原始、下采样和上采样三种不同分辨率处理同一幅输入图像。
• 集成中的每个CNN在其对应的图像尺寸上独立训练，以保留特定尺度的特征。
• 通过平均或加权平均的方式融合所有三个网络的特征图，生成最终预测结果。
• 使用交叉熵损失并结合类别平衡采样策略进行端到端训练，以应对数据不平衡问题。
• 该方法避免了在标准图像缩放过程中导致的细微解剖结构细节退化。
• 最终预测通过平均三个网络的输出获得，从而增强模型的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 与单尺寸模型相比，处理多尺寸输入的CNN集成模型是否能提升气胸检测性能？
• RQ2 在大尺寸胸部X光片中保留多尺度空间信息是否能带来更好的诊断表现？
• RQ3 所提出的方法是否能在大规模数据集上超越现有最先进模型的气胸检测性能？
• RQ4 性能提升是否源于跨尺度的更好特征表示，而非仅模型容量的增加？
• RQ5 在AUC和敏感性方面，该集成策略与单分辨率基线相比表现如何？

主要发现

• 所提出的集成模型在ChestX-ray100k数据集上实现了受试者工作特征曲线下面积（AUC）为0.911，创下气胸检测的新最先进性能。
• 与单分辨率基线相比，该模型在检测细微或小型气胸病例方面表现出更优性能。
• 多尺寸输入策略保留了在标准缩放过程中丢失的关键解剖细节，有助于提升特征学习效果。
• 集成方法在不同图像分辨率下均表现出一致的性能提升，表明对尺度变化具有鲁棒性。
• 该方法优于文献中报道的现有方法，证实其在大格式医学影像分析中的有效性。
• 结果验证了多尺度特征提取对于准确检测X光片中低对比度、小病灶模式至关重要。