[论文解读] Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound Images using Convolutional Neural Networks

Mostafa Jahanifar, Neda Zamani Tajeddin+3 more|arXiv (Cornell University)|Nov 23, 2020

Shoulder Injury and Treatment被引用 5

一句话总结

本文提出了一种基于深度学习的框架，用于通过两阶段方法在超声图像中自动检测肩胛下肌肌腱病损：首先使用一种新型NASUNet架构进行肌腱分割，然后利用引入位置信息的时空感知NASNet模型进行分类。该系统在100张图像的数据集上通过迁移学习和数据增强，实现了91%的准确率、86.67%的敏感度和92.86%的特异度，表现出最先进水平的性能。

ABSTRACT

Tendon injuries like tendinopathies, full and partial thickness tears are prevalent, and the supraspinatus tendon (SST) is the most vulnerable ones in the rotator cuff. Early diagnosis of SST tendinopathies is of high importance and hard to achieve using ultrasound imaging. In this paper, an automatic tendinopathy recognition framework based on convolutional neural networks has been proposed to assist the diagnosis. This framework has two essential parts of tendon segmentation and classification. Tendon segmentation is done through a novel network, NASUNet, which follows an encoder-decoder architecture paradigm and utilizes a multi-scale Enlarging cell. Moreover, a general classification pipeline has been proposed for tendinopathy recognition, which supports different base models as the feature extractor engine. Two feature maps comprising positional information of the tendon region have been introduced as the network input to make the classification network spatial-aware. To evaluate the tendinopathy recognition system, a data set consisting of 100 SST ultrasound images have been acquired, in which tendinopathy cases are double-verified by magnetic resonance imaging. In both segmentation and classification tasks, lack of training data has been compensated by incorporating knowledge transferring, transfer learning, and data augmentation techniques. In cross-validation experiments, the proposed tendinopathy recognition model achieves 91% accuracy, 86.67% sensitivity, and 92.86% specificity, showing state-of-the-art performance against other models.

研究动机与目标

• 为解决超声影像中肩胛下肌肌腱病损的早期且准确诊断挑战，该挑战受限于细微的纹理变化和图像噪声。
• 开发一种自动化的计算机辅助诊断（CAD）系统，以提高诊断的一致性并减少对专家解读的依赖。
• 通过迁移学习、数据增强和知识蒸馏技术，克服标注超声数据稀缺的问题。
• 通过在输入特征中引入肌腱区域的位置信息，增强分类性能，提升空间上下文感知能力。
• 建立一个稳健的端到端流程，用于肌腱分割与肌腱病损分类，基于深度学习技术。

提出的方法

• 提出一种新型编码器-解码器分割网络NASUNet，其基于NASNet的构建模块（普通单元和降维单元），并引入一种新型多尺度扩展单元，以提升特征聚合与边界定位能力。
• 分割任务采用双组件损失函数，结合改进的Dice相似系数与交叉熵损失，以同时优化重叠度与像素级精度。
• 分类任务采用改进的NASNet-A（6@4032）模型作为特征提取器，输入为原始超声图像及额外的位置信息图，用于指示肌腱区域的位置。
• 评估三种输入场景：原始图像（NASNet-OI）、含病灶掩码（NASNet-WM）和含位置信息（NASNet-PI），其中NASNet-PI表现最佳。
• 应用迁移学习与数据增强技术，以缓解100张图像数据集规模有限的问题，提升模型泛化能力并减少过拟合。
• 采用交叉验证进行评估，评估指标包括准确率、敏感度、特异度和AUC，以全面评估模型性能。

实验结果

研究问题

• RQ1 尽管存在图像质量较低和纹理变化细微的问题，基于深度学习的框架是否能在超声图像中实现对肩胛下肌肌腱病损的高精度检测？
• RQ2 与标准输入特征相比，将肌腱区域的位置信息整合到输入中，是否能显著提升分类性能？
• RQ3 在医学图像分析中，迁移学习与数据增强在多大程度上可以弥补标注超声数据不足的问题？
• RQ4 所提出的NASUNet架构是否在噪声超声图像中更准确地勾勒出肩胛下肌肌腱方面优于现有分割模型？
• RQ5 对于分类网络而言，何种最优输入配置（如原始图像、病灶掩码、位置图）能最有效地检测肌腱病损？

主要发现

• 所提出的NASUNet在肌腱分割任务中实现了93.85%的Dice相似系数（DSC）和87.32%的Jaccard相似指数（JSI），优于现有方法。
• 采用位置信息的分类模型（NASNet-PI）实现了91%的准确率、86.67%的敏感度和92.86%的特异度，达到最先进水平的性能表现。
• 在输入中加入位置信息显著提升了分类性能，相较于仅使用原始图像或病灶掩码的情况表现更优。
• NASNet-PI的ROC曲线显示AUC为91.43%，表明其在正常与病损病例之间具有强大的判别能力。
• 迁移学习与数据增强有效缓解了数据稀缺问题，使模型在仅100张超声图像的小型数据集上仍能实现高性能。
• 研究结果与系统综述中使用MRI和手术验证报告的结果相当，表明其具有临床相关性，并具备在精准医学中应用的潜力。