[论文解读] Automated Rib Fracture Detection of Postmortem Computed Tomography Images Using Machine Learning Techniques

Samuel Gunz, Svenja Erne+6 more|arXiv (Cornell University)|Aug 15, 2019

Autopsy Techniques and Outcomes参考文献 24被引用 4

一句话总结

本研究提出了一种新颖的机器学习方法，通过将2D肋骨展开图像转换为3D坐标空间，并利用RGB颜色映射计算HOMFLY多项式不变量，实现对死后CT扫描中肋骨骨折的自动检测。该方法实现了0.60的精确率，尽管在拓扑一致性与数据集局限性方面存在挑战，但仍证明了其可行性。

ABSTRACT

Imaging techniques is widely used for medical diagnostics. This leads in some cases to a real bottleneck when there is a lack of medical practitioners and the images have to be manually processed. In such a situation there is a need to reduce the amount of manual work by automating part of the analysis. In this article, we investigate the potential of a machine learning algorithm for medical image processing by computing a topological invariant classifier. First, we select retrospectively from our database of postmortem computed tomography images of rib fractures. The images are prepared by applying a rib unfolding tool that flattens the rib cage to form a two-dimensional projection. We compare the results of our analysis with two independent convolutional neural network models. In the case of the neural network model, we obtain an $F_1$ Score of 0.73. To access the performance of our classifier, we compute the relative proportion of images that were not shared between the two classes. We obtain a precision of 0.60 for the images with rib fractures.

研究动机与目标

• 通过自动化死后CT扫描中的肋骨骨折检测，减少法医放射学中的手动工作量。
• 探索拓扑不变量（特别是HOMFLY多项式）在医学图像分类中的应用。
• 评估从图像卷积中导出的多项式纽结不变量是否能够有效区分肋骨骨折与非骨折。
• 将该拓扑方法在相同数据集上的性能与深度学习模型（MobileNet与简化CNN）进行比较。
• 识别当前图像预处理与拓扑生成在医学成像应用中的局限性。

提出的方法

• 使用肋骨展开工具将死后CT扫描中的肋骨笼转换为2D投影。
• 将灰度CT图像通过nipy_spectral颜色映射转换为RGB，以支持多通道处理。
• 分别对每个RGB通道应用13个卷积核，随后进行池化操作，生成2×2特征图。
• 提取特征图坐标（xR, xG, xB），并映射到表示RGB颜色空间的3D欧几里得空间中。
• 为每个图像的坐标集合计算HOMFLY多项式，作为分类的拓扑不变量。
• 通过测量某类（骨折或非骨折）中唯一存在的多项式，计算精确率。

实验结果

研究问题

• RQ1 从图像卷积中导出的HOMFLY多项式不变量能否可靠地分类死后CT扫描中的肋骨骨折？
• RQ2 该拓扑分类器的性能与MobileNet和简化CNN等成熟深度学习模型相比如何？
• RQ3 在低对比度、复杂解剖结构中，基于卷积核的卷积与拓扑不变量在医学图像分类中的局限性是什么？
• RQ4 数据集规模在多大程度上影响了此类上下文下拓扑特征生成的一致性与准确性？
• RQ5 尽管每个对象存在多种纽结类型，基于坐标聚类与多项式不变量的拓扑方法是否仍能实现可靠的分类？

主要发现

• 基于多项式唯一存在的拓扑分类器在区分肋骨骨折与非骨折方面实现了0.60的精确率。
• 两种深度学习模型（MobileNet与简化CNN）的F1分数为0.73，优于拓扑方法。
• 尽管该方法在概念上具有新颖性，但同一对象产生了多个不同的拓扑结构，表明特征提取存在不一致性。
• 该拓扑方法在不同类别间存在拓扑重叠，限制了其在未标记数据上的预测能力。
• 模型架构对性能无显著影响，因为MobileNet与简化CNN的性能表现相近。
• 作者建议，轮廓模糊或不清晰的医学图像可能不适合标准深度学习卷积核，提示需进一步研究专用卷积核设计。