[论文解读] Knee Injury Detection using MRI with Efficiently-Layered Network (ELNet)

Chen‐Han Tsai, Nahum Kiryati+3 more|arXiv (Cornell University)|May 6, 2020

Advanced Neural Network Applications参考文献 13被引用 15

一句话总结

本文提出ELNet，一种轻量级、端到端的卷积神经网络，从零开始训练用于膝关节MRI筛查，采用多切片归一化和BlurPool以提升特征提取效果。该模型仅使用单个MRI成像层面（矢状位或轴位）即在MRNet数据集上达到最先进性能，关键指标优于MRNet，且无需定位监督即可实现损伤区域定位，模型大小低于1MB，具备临床部署可行性。

ABSTRACT

Magnetic Resonance Imaging (MRI) is a widely-accepted imaging technique for knee injury analysis. Its advantage of capturing knee structure in three dimensions makes it the ideal tool for radiologists to locate potential tears in the knee. In order to better confront the ever growing workload of musculoskeletal (MSK) radiologists, automated tools for patients' triage are becoming a real need, reducing delays in the reading of pathological cases. In this work, we present the Efficiently-Layered Network (ELNet), a convolutional neural network (CNN) architecture optimized for the task of initial knee MRI diagnosis for triage. Unlike past approaches, we train ELNet from scratch instead of using a transfer-learning approach. The proposed method is validated quantitatively and qualitatively, and compares favorably against state-of-the-art MRNet while using a single imaging stack (axial or coronal) as input. Additionally, we demonstrate our model's capability to locate tears in the knee despite the absence of localization information during training. Lastly, the proposed model is extremely lightweight ($

研究动机与目标

• 为应对骨科放射科医生日益增长的工作负荷，开发一种膝关节MRI自动筛查系统。
• 构建一种轻量级、高效的深度学习模型，可从零开始训练，无需迁移学习。
• 仅使用单个MRI成像层面（矢状位或轴位）实现对前十字韧带（ACL）和半月板撕裂的准确检测。
• 在训练过程中无需边界框标注，即可实现损伤区域的定位。
• 设计一种适用于实际临床部署、计算资源开销极低的模型。

提出的方法

• ELNet采用基于残差块的新型主干架构，结合多切片归一化，以稳定跨切片训练过程。
• 采用BlurPool替代最大池化，以减少混叠效应，并在空间下采样过程中保持特征质量。
• 每个模块由2D卷积、多切片归一化、ReLU激活和跳跃连接组成，支持深层网络训练。
• 网络独立处理每个MRI切片，随后通过1D最大池化在切片维度上聚合特征，生成单一16K维向量。
• 最终通过全连接层结合Dropout和Softmax，输出ACL撕裂、半月板撕裂及异常性的二分类预测结果。
• 模型采用交叉熵损失函数进行端到端从零开始训练，并通过Adam优化器进行优化。

实验结果

研究问题

• RQ1 从零开始训练的深度学习模型是否能在膝关节MRI诊断中超越基于迁移学习的模型？
• RQ2 与批量归一化相比，多切片归一化是否在多切片MRI分类任务中带来性能提升？
• RQ3 与最大池化相比，BlurPool是否能提升膝关节MRI分析中的特征表示能力和模型鲁棒性？
• RQ4 在未使用定位监督的情况下，模型是否能准确识别膝关节撕裂区域？
• RQ5 仅使用单一切片输入的模型是否能达到与MRNet等多堆栈模型相当的性能？

主要发现

• 在MRNet数据集中，ELNet对半月板撕裂的ROC-AUC达到0.904，对ACL撕裂达到0.960，对总体异常的AUC为0.941，优于原始MRNet模型。
• 模型在半月板撕裂任务中MCC达0.745，ACL撕裂为0.815，异常检测为0.736，表明分类性能优异。
• 采用多切片归一化与BlurPool的ELNet在所有消融实验变体中表现最佳，包括使用批量归一化或最大池化的模型。
• 在9例ACL撕裂病例中，ELNet在8例中正确识别出最具信息量的切片及撕裂区域，与放射科医生评估结果一致。
• 在全部7例无ACL撕裂的病例中，ELNet预测的最具信息量切片和区域均与放射科医生评估结果匹配。
• 最终模型大小低于1MB，使其在计算资源有限的临床环境中极具部署潜力。