[论文解读] Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection

Fabiha Bushra, Muhammad E. H. Chowdhury+8 more|arXiv (Cornell University)|Nov 9, 2023

Venous Thromboembolism Diagnosis and Management参考文献 59被引用 5

一句话总结

本研究提出了一种双管齐下的深度学习方法，用于在CT肺动脉造影（CTPA）中检测肺栓塞（PE），结合注意力引导分类器（AG-CNN）与集成目标检测，以提高敏感性和准确性。该方法在mAP$_{50}$为0.846、敏感性为0.901、F1分数为0.779的情况下达到最先进性能，显著优于以往基准。

ABSTRACT

The increasing reliance on Computed Tomography Pulmonary Angiography (CTPA) for Pulmonary Embolism (PE) diagnosis presents challenges and a pressing need for improved diagnostic solutions. The primary objective of this study is to leverage deep learning techniques to enhance the Computer Assisted Diagnosis (CAD) of PE. With this aim, we propose a classifier-guided detection approach that effectively leverages the classifier's probabilistic inference to direct the detection predictions, marking a novel contribution in the domain of automated PE diagnosis. Our classification system includes an Attention-Guided Convolutional Neural Network (AG-CNN) that uses local context by employing an attention mechanism. This approach emulates a human expert's attention by looking at both global appearances and local lesion regions before making a decision. The classifier demonstrates robust performance on the FUMPE dataset, achieving an AUROC of 0.927, sensitivity of 0.862, specificity of 0.879, and an F1-score of 0.805 with the Inception-v3 backbone architecture. Moreover, AG-CNN outperforms the baseline DenseNet-121 model, achieving an 8.1% AUROC gain. While previous research has mostly focused on finding PE in the main arteries, our use of cutting-edge object detection models and ensembling techniques greatly improves the accuracy of detecting small embolisms in the peripheral arteries. Finally, our proposed classifier-guided detection approach further refines the detection metrics, contributing new state-of-the-art to the community: mAP$_{50}$, sensitivity, and F1-score of 0.846, 0.901, and 0.779, respectively, outperforming the former benchmark with a significant 3.7% improvement in mAP$_{50}$. Our research aims to elevate PE patient care by integrating AI solutions into clinical workflows, highlighting the potential of human-AI collaboration in medical diagnostics.

研究动机与目标

• 为应对临床对使用计算机断层扫描肺动脉造影（CTPA）进行准确且高效肺栓塞（PE）诊断的日益增长的需求。
• 提高对周围肺动脉中微小血栓的检测能力，这些血栓常被传统方法遗漏。
• 开发一种新型的分类器引导检测框架，利用概率推理来优化目标检测预测。
• 通过人机协作模型将人工智能与放射科医生的专业知识相结合，增强临床决策支持。
• 为CTPA影像中自动化肺栓塞检测建立新的最先进基准。

提出的方法

• 该方法采用基于Inception-v3主干网络的注意力引导卷积神经网络（AG-CNN），通过聚焦于整体解剖结构和局部病灶区域来增强特征学习。
• AG-CNN利用注意力机制模拟人类专家的视觉注意力，通过强调相关解剖和病理特征来提升分类性能。
• 目标检测采用最先进模型（如YOLO或RetinaNet变体），并通过集成以提高在多样化CTPA扫描中的鲁棒性和泛化能力。
• 提出一种分类器引导的检测策略，其中分类器的概率输出用于引导和优化检测头的预测，从而减少假阳性并改善定位精度。
• 该框架在FUMPE数据集上进行训练和验证，分类任务使用交叉熵损失，边界框预测使用标准检测损失（如平滑L1和GIoU）。
• 通过标准指标评估模型性能，包括AUROC、敏感性、特异性、F1分数以及50%交并比下的平均精度（mAP$_{50}$）。

实验结果

研究问题

• RQ1 与标准模型相比，注意力引导的深度学习分类器是否能提升在CTPA中对肺栓塞的检测能力？
• RQ2 将分类器的概率输出整合到目标检测中，能否提高对小的周围性血栓检测的准确性？
• RQ3 集成目标检测模型在多大程度上能提升对周围肺动脉中细微或小血栓的检测敏感性？
• RQ4 所提出的分类器引导检测框架在mAP$_{50}$、敏感性和F1分数方面是否优于现有最先进方法？
• RQ5 将深度学习模型整合到临床工作流程中，是否能显著降低肺栓塞诊断中的假阴性率？

主要发现

• 在FUMPE数据集上，基于Inception-v3主干网络的AG-CNN分类器实现了0.927的AUROC、0.862的敏感性、0.879的特异性和0.805的F1分数。
• AG-CNN相比基线DenseNet-121模型在AUROC上提升了8.1%，证明了注意力机制的有效性。
• 基于集成的物体检测系统显著提升了对周围动脉中小血栓的检测能力，这是以往研究中的主要挑战。
• 最终的分类器引导检测框架实现了最先进水平的mAP$_{50}$为0.846，较之前基准提升了3.7%。
• 该方法实现了0.901的敏感性和0.779的F1分数，表明其在识别真正阳性病例方面表现优异，同时保持了较高的精确度。
• 结果表明，人机协作在医学影像中的潜力巨大，AI模型可提升诊断准确性，并在复杂病例中支持放射科医生。