[论文解读] Detecting hip fractures with radiologist-level performance using deep neural networks

William A. Gale, Luke Oakden‐Rayner+3 more|arXiv (Cornell University)|Nov 17, 2017

Hip and Femur Fractures参考文献 10被引用 54

一句话总结

一个基于DenseNet的深度 CNN 系统对前位盆腔 X 线片进行分析以检测髋部骨折，达到放射科级别的性能，在一个大型保留测试集上实现了 AUC 0.994。

ABSTRACT

We developed an automated deep learning system to detect hip fractures from frontal pelvic x-rays, an important and common radiological task. Our system was trained on a decade of clinical x-rays (~53,000 studies) and can be applied to clinical data, automatically excluding inappropriate and technically unsatisfactory studies. We demonstrate diagnostic performance equivalent to a human radiologist and an area under the ROC curve of 0.994. Translated to clinical practice, such a system has the potential to increase the efficiency of diagnosis, reduce the need for expensive additional testing, expand access to expert level medical image interpretation, and improve overall patient outcomes.

研究动机与目标

• 推动自动化、准确的髋部骨折检测，以减少漏诊和影像成本。
• 利用一个大型真实世界数据集来训练一个鲁棒的深度学习管道。
• 开发一个端到端系统，排除不合适的研究，定位股骨颈，并自动检测骨折。

提出的方法

• 使用 DenseNet-172 CNN，每层具有 12 个特征，参数量 1.43M。
• 以主骨折存在损失和次级位置损失（囊内 vs 囊外）进行训练。
• 应用广泛的数据增强和正则化（ dropout 0.2，权重衰减 1e-5）。
• 用三个 CNN 进行预处理：CNN-frontal 用于识别前位盆腔 X 线片，CNN-bounding 用于定位髋部颈，CNN-metal 用于排除金属植入物。
• 使用 Adam 优化器（lr=1e-4），训练 25 个 epoch，批量大小 14，在 PyTorch 硬件上，总耗时约 22 小时。

实验结果

研究问题

• RQ1 深度学习模型是否能够在前位盆腔 X 线片上实现与放射科医生同等水平的髋部骨折检测准确率？
• RQ2 与放射科医生报告相比，完全自动化管道的性能（AUC、准确率、精确性、召回率）是多少？
• RQ3 髋部颈部的自动定位如何影响骨折检测性能？
• RQ4 数据异质性和前处理对模型有效性的影响是多少？

主要发现

• 该模型在保留测试集上实现 ROC AUC 为 0.994。
• 在研究评估设置下，自动化系统达到或超过人类上限性能。
• 高精度与高灵敏度的工作点在各指标上与放射科医生的估算相当。
• 预处理 CNN 能有效筛选输入、定位髋部颈并排除金属植入物的病例，从而实现稳健的骨折检测。
• 与近期的自动化方法相比，该基于 DenseNet 的系统在相同测试条件下表现出更高的准确率和 F1。