[论文解读] CNN-based Automatic Detection of Bone Conditions via Diagnostic CT Images for Osteoporosis Screening

Chao Tang, Wenkun Zhang+7 more|arXiv (Cornell University)|Oct 14, 2019

Medical Imaging and Analysis参考文献 35被引用 6

一句话总结

本研究提出一种基于两阶段CNN的自动骨质疏松症筛查方法，利用常规诊断CT扫描进行筛查。首先，MS-Net以>0.998的Dice分数分割腰椎；随后，BCC-Net对骨状况（正常、低骨量、骨质疏松）进行分类，准确率达76.65%，AUC为0.9167，使放射科医生能够简化诊断流程并减轻患者负担。

ABSTRACT

Purpose: The purpose is to design a novelty automatic diagnostic method for osteoporosis screening by using the potential capability of convolutional neural network (CNN) in feature representation and extraction, which can be incorporated into the procedure of routine CT diagnostic in physical examination thereby improving the osteoporosis diagnosis and reducing the patient burden. Methods: The proposed convolutional neural network-based method mainly comprises two functional modules to perform automatic detection of bone condition by analyzing the diagnostic CT image. The first functional module aims to locate and segment the ROI of diagnostic CT image, called Mark-Segmentation-Network (MS-Net). The second functional module is used to determine the category of bone condition by the features of ROI, called Bone-Conditions-Classification-Network (BCC-Net). The trained MS-Net can get the mark image of inputted original CT image, thereby obtain the segmentation image. The trained BCC-Net can obtain the probability value of normal bone mass, low bone mass, and osteoporosis by inputting the segmentation image. On the basis of network results, the radiologists can provide preliminary qualitative diagnosis results of bone condition. Results: The proposed MS-Net has an excellent segmentation precision on the shape preservation of different lumbar vertebra. The numerical indicators of segmentation results are greater than 0.998. The proposed BCC-Net was evaluated with 3,024 clinical images and achieved an accuracy of 76.65% and an area under the receiver operating characteristic curve of 0.9167. Conclusions: This study proposed a novel two-step method for automatic detection of bone conditions via diagnostic CT images and it has great potential in clinical applications for osteoporosis screening. The method can potentially reduce the manual burden to radiologists and diagnostic cost to patients.

研究动机与目标

• 开发一种基于诊断CT扫描的自动化骨质疏松症筛查方法，以减少对单独DXA扫描的依赖。
• 通过将骨状况检测整合到常规CT阅片工作流程中，最小化放射科医生的工作量。
• 通过人工智能辅助的特征提取与分类，提高诊断效率并减轻患者负担。
• 利用深度学习实现从CT图像中对腰椎进行高精度分割。
• 基于提取的ROI特征，以高准确率对骨状况（正常、低骨量、骨质疏松）进行分类。

提出的方法

• 提出一种两阶段深度学习框架：MS-Net用于感兴趣区域（ROI）定位与分割，随后由BCC-Net完成骨状况分类。
• MS-Net采用类似U-Net的架构，从输入CT图像中生成腰椎的精确分割掩码。
• BCC-Net处理分割后的ROI，预测三种骨状况类别（正常、低骨量、骨质疏松）的概率。
• 该方法通过交叉熵损失进行分类优化，通过Dice损失进行分割优化，实现端到端训练。
• 模型在3,024张临床CT图像上进行训练与验证，结果用于支持初步放射学诊断。
• 分割结果采用Dice相似系数评估，分类性能通过准确率和AUC衡量。

实验结果

研究问题

• RQ1 基于CNN的方法能否在保持高形态保真度的前提下，准确分割常规诊断CT扫描中的腰椎？
• RQ2 深度学习模型能否基于CT衍生的ROI特征，以具有临床意义的准确率对骨状况（正常、低骨量、骨质疏松）进行分类？
• RQ3 该两阶段框架在无需额外影像检查的前提下，能在多大程度上减轻放射科医生在骨质疏松症筛查中的工作负担？
• RQ4 与标准诊断实践相比，该模型在骨质疏松症检测中的敏感性和特异性表现如何？
• RQ5 将自动化分割与分类集成到常规CT工作流程中，能否提高诊断效率并降低患者成本？

主要发现

• MS-Net在分割腰椎时Dice相似系数超过0.998，表明其具有极佳的形态保真度与精度。
• BCC-Net在3,024张临床CT图像上实现了76.65%的分类准确率，展示了其在多类别骨状况检测中的强劲性能。
• BCC-Net的受试者工作特征曲线下面积（AUC）达到0.9167，表明其在不同骨状况类别之间具有高度判别能力。
• 所提出的方法可直接从常规诊断CT扫描中实现骨状况的初步定性诊断，减少对额外DXA扫描的需求。
• 该框架在临床整合方面展现出巨大潜力，可能减轻放射科医生工作负担并降低骨质疏松症筛查的诊断成本。
• 模型的高分割精度与稳健的分类性能表明其在医院放射科工作流程中具备实际部署的可行性。