[论文解读] Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net

Soham S. Sarpotdar|arXiv (Cornell University)|May 23, 2022

Radiomics and Machine Learning in Medical Imaging被引用 8

一句话总结

该论文提出了一种定制化、微调后的U-Net架构，结合深度卷积神经网络，用于在胸部X光片中自动检测心脏扩大。使用开源的ChestX-ray8数据集，该模型在该任务上实现了94%的准确率、96.2%的敏感度和92.5%的特异度，优于以往的预训练模型。

ABSTRACT

Cardiomegaly is indeed a medical disease in which the heart is enlarged. Cardiomegaly is better to handle if caught early, so early detection is critical. The chest X-ray, being one of the most often used radiography examinations, has been used to detect and visualize abnormalities of human organs for decades. X-ray is also a significant medical diagnosis tool for cardiomegaly. Even for domain experts, distinguishing the many types of diseases from the X-ray is a difficult and time-consuming task. Deep learning models are also most effective when used on huge data sets, yet due to privacy concerns, large datasets are rarely available inside the medical industry. A Deep learning-based customized retrained U-Net model for detecting Cardiomegaly disease is presented in this research. In the training phase, chest X-ray images from the "ChestX-ray8" open source real dataset are used. To reduce computing time, this model performs data preprocessing, picture improvement, image compression, and classification before moving on to the training step. The work used a chest x-ray image dataset to simulate and produced a diagnostic accuracy of 94%, a sensitivity of 96.2 percent, and a specificity of 92.5 percent, which beats prior pre-trained model findings for identifying Cardiomegaly disease.

研究动机与目标

• 为解决通过医学影像实现心脏扩大（即心脏增大）早期检测的挑战。
• 开发一种深度学习模型，即使在由于隐私限制导致大型医学数据集难以获取的情况下，也能提高诊断准确率。
• 通过在ChestX-ray8数据集上应用迁移学习和数据增强技术，提升心脏扩大检测的性能。
• 通过图像预处理、增强和压缩，在训练前减少计算时间。
• 在从胸部X光片检测心脏扩大方面，超越现有预训练模型的表现。

提出的方法

• 使用包含真实临床胸部X光片的ChestX-ray8数据集，对定制化的U-Net模型进行迁移学习微调。
• 数据预处理包括图像归一化、噪声抑制和对比度增强，以提高输入质量。
• 应用图像压缩技术，在不显著损失诊断特征的前提下减少计算负载。
• 将深度卷积神经网络（CNN）集成到U-Net的编码器-解码器架构中，用于特征提取和分类。
• 使用交叉熵损失和Adam优化算法，并结合学习率调度策略，进行端到端训练。
• 通过标准指标（准确率、敏感度和特异度）在保留的测试集上评估模型性能。

实验结果

研究问题

• RQ1 与标准预训练模型相比，微调后的U-Net架构是否能在心脏扩大检测中实现更优的性能？
• RQ2 数据预处理和图像压缩在多大程度上能提升训练效率，同时不降低诊断准确率？
• RQ3 该模型在ChestX-ray8数据集上的敏感度和特异度表现如何？
• RQ4 在有限的医学数据集上进行迁移学习，是否仍能为心脏扩大检测提供高诊断性能？
• RQ5 将CNN与U-Net架构结合，是否能增强心脏异常检测的特征学习能力？

主要发现

• 所提出的模型在ChestX-ray8数据集上实现了94%的诊断准确率，表现出强大的整体性能。
• 96.2%的敏感度表明模型在正确识别心脏扩大患者方面具有高度可靠性。
• 92.5%的特异度表明模型在健康个体中正确排除该病症的能力较强。
• 在心脏扩大检测方面，该模型在准确率和敏感度上均优于以往的预训练模型。
• 预处理和压缩技术的使用显著缩短了训练时间，且未损害模型性能。
• 结果表明，微调后的U-Net结合CNN集成是一种在临床环境中实现心脏扩大自动检测的可行且高效方案。