[论文解读] END-TO-END DISCRIMINATIVE DEEP NETWORK FOR LIVER LESION CLASSIFICATION

Francisco Romero, Andre Diler+6 more|arXiv (Cornell University)|Jan 1, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 11被引用 1

一句话总结

本文提出了一种端到端的深度学习框架，采用预训练的InceptionV3网络并结合残差连接，用于在CT扫描中将肝脏病变分类为囊肿或转移性病灶。通过利用ImageNet预训练权重和全连接层进行概率分类，该模型在包含63名患者共230个病灶的临床数据集上实现了96%的准确率和92%的F1分数，优于现有最先进方法。

ABSTRACT

Colorectal liver metastasis is one of most aggressive liver malignancies. While the definition of lesion type based on CT images determines the diagnosis and therapeutic strategy, the discrimination between cancerous and non-cancerous lesions are critical and requires highly skilled expertise, experience and time. In the present work we introduce an end-to-end deep learning approach to assist in the discrimination between liver metastases from colorectal cancer and benign cysts in abdominal CT images of the liver. Our approach incorporates the efficient feature extraction of InceptionV3 combined with residual connections and pre-trained weights from ImageNet. The architecture also includes fully connected classification layers to generate a probabilistic output of lesion type. We use an in-house clinical biobank with 230 liver lesions originating from 63 patients. With an accuracy of 0.96 and a F1-score of 0.92, the results obtained with the proposed approach surpasses state of the art methods. Our work provides the basis for incorporating machine learning tools in specialized radiology software to assist physicians in the early detection and treatment of liver lesions.

研究动机与目标

• 开发一种自动化的端到端深度学习框架，用于在腹部CT图像中区分恶性肝转移灶与良性囊肿。
• 在囊肿与转移灶在CT上具有相似Hounsfield单位对比度的情况下，提升分类准确率，超越现有方法。
• 利用ImageNet预训练特征，增强在有限医学影像数据集中的特征学习与泛化能力。
• 为放射科医生提供一种临床可部署的工具，以支持结直肠肝转移的早期检测与诊断。
• 在经过筛选的生物样本库数据集上验证模型，该数据集包含经确认的病变类型与自动分割的病灶。

提出的方法

• 模型采用InceptionV3作为主干网络进行分层特征提取，使用ImageNet预训练权重初始化，以提升泛化能力。
• 引入残差连接以稳定训练过程，并支持更深网络的优化。
• 采用两层全连接层，激活函数为ReLU，Dropout率为0.4，随后接一个二元Softmax层以输出概率结果。
• 使用Adam优化器，配合余弦退火学习率调度策略，并基于验证准确率实施早停法，实现端到端训练。
• 在训练过程中应用数据增强技术，包括旋转、平移和翻转，以缓解在230个病灶的有限数据集上可能出现的过拟合。
• 病变图像通过基于U-Net的联合肝-病灶分割模型预先分割，从而提升推理速度并降低计算负载。

实验结果

研究问题

• RQ1 在囊肿与转移灶在CT上具有相似Hounsfield单位对比度的情况下，预训练的深度卷积神经网络是否能有效区分二者？
• RQ2 在小样本医学影像数据集中，使用ImageNet预训练权重初始化网络是否能带来优于随机初始化的性能表现？
• RQ3 与传统基于纹理的分类器（如使用手工特征的SVM）相比，所提出的端到端框架在肝脏病变分类中的表现如何？
• RQ4 数据增强与批量归一化在有限临床数据集上在多大程度上提升了模型的鲁棒性？
• RQ5 模型的输出能否以临床可解释的方式进行可视化，例如在3D影像中对病灶进行彩色编码标注？

主要发现

• 所提出的模型实现了96%的准确率和92%的F1分数，显著优于次优方法（使用预训练的InceptionResNet-V2）的89%准确率与83% F1分数。
• 使用ImageNet预训练权重相比随机权重初始化带来了更优性能，证明了在医学影像中迁移学习的优势。
• 对于转移灶，模型实现了100%的精确率与94%的召回率，表明在检测恶性病灶方面具有高度可靠性。
• 受试者工作特征曲线下面积（AUC）达到0.97，表明模型在区分囊肿与转移灶方面具有强大的判别能力。
• 在GPU上每病变的推理时间仅为3毫秒，支持实时集成到临床工作流程中。
• 混淆矩阵显示误分类极少，仅有2例转移灶被误分类为囊肿，1例囊肿被误分类为转移灶。