[论文解读] Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning

Michał Byra, Tomasz Sznajder+5 more|arXiv (Cornell University)|Apr 6, 2018

AI in cancer detection参考文献 16被引用 7

一句话总结

本研究调查了超声图像重建方法对基于迁移学习的乳腺病灶分类的影响。通过在B型模式重建过程中改变压缩阈值，并利用不同重建图像增强训练数据，作者提升了分类的鲁棒性，使用InceptionV3模型实现了0.857的AUC，表明重建差异显著影响医学影像中深度学习的性能。

ABSTRACT

Deep learning algorithms, especially convolutional neural networks, have become a methodology of choice in medical image analysis. However, recent studies in computer vision show that even a small modification of input image intensities may cause a deep learning model to classify the image differently. In medical imaging, the distribution of image intensities is related to applied image reconstruction algorithm. In this paper we investigate the impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning. Due to high dynamic range raw ultrasonic signals are commonly compressed in order to reconstruct B-mode images. Based on raw data acquired from breast lesions, we reconstruct B-mode images using different compression levels. Next, transfer learning is applied for classification. Differently reconstructed images are employed for training and evaluation. We show that the modification of the reconstruction algorithm leads to decrease of classification performance. As a remedy, we propose a method of data augmentation. We show that the augmentation of the training set with differently reconstructed B-mode images leads to a more robust and efficient classification. Our study suggests that it is important to take into account image reconstruction algorithms implemented in medical scanners during development of computer aided diagnosis systems.

研究动机与目标

• 调查超声图像重建算法对基于深度学习的乳腺病灶分类的影响。
• 解决深度学习模型在输入图像强度因重建差异而变化时的不稳定性问题。
• 通过在训练过程中引入多样化的重建设置，提升分类的鲁棒性。
• 证明使用不同重建B型图像进行数据增强可提升模型在不同扫描仪设置下的泛化能力。

提出的方法

• 使用研究型超声扫描仪从251个乳腺病灶获取原始超声数据。
• 采用对数压缩法，以不同阈值水平（40 dB、50 dB、60 dB）重建B型图像。
• 在重建图像上应用预训练的InceptionV3和VGG19模型进行迁移学习。
• 在结合不同阈值重建图像的增强数据集（Train_ALL）上训练分类器。
• 在两个测试集上评估性能：一个与训练时使用相同重建设置，另一个使用不同重建设置。
• 使用AUC作为主要指标，比较不同重建与增强策略下的分类性能。

实验结果

研究问题

• RQ1 超声图像重建参数的变化在多大程度上影响深度学习模型在乳腺病灶分类中的性能？
• RQ2 使用不同重建B型图像进行数据增强，在多大程度上提升了迁移学习模型的鲁棒性？
• RQ3 在多种重建变体上进行训练后，当在不同设置下重建的图像上测试时，是否能实现更好的泛化能力？
• RQ4 不同压缩阈值在多大程度上影响病灶特征（如边缘和纹理）的可见性？
• RQ5 一个在多样化重建设置下训练的单一CADx系统，是否能在不同扫描仪协议下保持高性能？

主要发现

• 当测试图像的重建方式与训练图像不同时，分类性能显著下降，表明模型对重建参数高度敏感。
• 使用多重建阈值（Train_ALL）进行数据增强，显著提升了模型在不同重建设置下的鲁棒性与泛化能力。
• 使用InceptionV3和Train_ALL组合获得最佳整体分类性能，AUC达到0.857。
• VGG19采用相同增强策略后，AUC达到0.822，相较于基线训练有稳定提升。
• 高压缩阈值（如60 dB）增强了边缘对比度，可能放大与恶性相关联的形态学特征，这或许可解释性能差异。
• 本研究强调，在CADx系统开发过程中必须考虑扫描仪特定的重建算法，因为它们可能在输入数据中引入显著的分布偏移。