[论文解读] Automating Abnormality Detection in Musculoskeletal Radiographs through Deep Learning

Goodarz Mehr|arXiv (Cornell University)|Oct 20, 2020

Artificial Intelligence in Healthcare and Education被引用 6

一句话总结

本文提出MuRAD，一种利用卷积神经网络（CNN）在MURA数据集上进行训练的深度学习系统，用于自动检测骨骼肌系统X光片中的异常，并通过类别激活映射（CAM）实现定位。MuRAD的F1分数达到0.822，Cohen’s kappa为0.699，性能与专家放射科医生相当。

ABSTRACT

This paper introduces MuRAD (Musculoskeletal Radiograph Abnormality Detection tool), a tool that can help radiologists automate the detection of abnormalities in musculoskeletal radiographs (bone X-rays). MuRAD utilizes a Convolutional Neural Network (CNN) that can accurately predict whether a bone X-ray is abnormal, and leverages Class Activation Map (CAM) to localize the abnormality in the image. MuRAD achieves an F1 score of 0.822 and a Cohen's kappa of 0.699, which is comparable to the performance of expert radiologists.

研究动机与目标

• 开发一种自动化工具，协助放射科医生检测骨骼肌系统X光片（骨X光片）中的异常，减轻诊断疲劳，提升工作流程效率。
• 通过利用公开的MURA数据集，解决骨骼肌系统X光片标注数据集有限的挑战。
• 通过使用能够通过类别激活图（CAM）突出异常区域的深度学习模型，提升诊断的准确性和一致性。
• 比较多种CNN架构，基于性能、训练时间和参数效率，识别出最适合异常检测的最优模型。
• 评估模型在不同解剖区域（如手、肩、肘）的表现，以理解检测准确性的差异。

提出的方法

• 在斯坦福大学MURA数据集上训练了18种不同的卷积神经网络（CNN）架构，该数据集包含来自12,173名患者的40,561张骨骼肌系统X光片。
• 由于DenseNet 121在性能、训练速度和模型大小（参数更少）之间达到最佳平衡，因此被选为最终模型。
• 采用类别激活映射（CAM）生成热图，以定位每张X光片中的异常区域。
• 采用三重划分数据集（训练、验证、测试），其中训练集包含11,184名患者，验证集包含783名患者，测试集包含206名患者，以确保评估的稳健性。
• 使用标准指标评估模型性能，包括F1分数、精确率、召回率、准确率以及Cohen’s kappa值（用于评估评分者间一致性）。
• 评估不同解剖区域（如肘部、手指、腕部）的模型性能，以评估区域间检测准确性的差异。

实验结果

研究问题

• RQ1 深度学习模型是否能在骨骼肌系统X光片异常检测中达到与专家放射科医生相当的性能？
• RQ2 哪种CNN架构在骨骼X光片分析中实现了准确率、训练时间与模型大小之间的最佳权衡？
• RQ3 类别激活映射（CAM）在定位放射影像中异常区域方面的有效性如何？
• RQ4 模型性能在不同解剖区域（如手部与肩部）的骨骼X光片中是否存在显著差异？
• RQ5 集成模型是否能进一步提升性能，使其达到或超过专家人类放射科医生的水平？

主要发现

• MuRAD在测试集上取得了0.822的F1分数和0.699的Cohen’s kappa值，表明其性能与专家放射科医生相当。
• 在测试的18种模型中，VGG 19（带批量归一化）取得了最高的F1分数（0.823）和Cohen’s kappa值（0.702），而DenseNet 121在性能与效率之间实现了最佳平衡。
• 手部、肩部和手指X光片的异常检测最具挑战性，各类模型的Cohen’s kappa值最低（0.540–0.638）。
• DenseNet 121在前臂和手部异常检测中表现最佳，而带BN的VGG 19在肘部和腕部检测中表现最优。
• ResNet 152在肱骨X光片中取得了最高的Cohen’s kappa值（0.822），表明其在该解剖区域表现强劲。
• CAM可视化成功突出了X光片中的异常区域，如骨折、内固定物和关节稳定装置，证实了模型的可解释性与临床相关性。