[论文解读] Learning to recognize Abnormalities in Chest X-Rays with Location-Aware Dense Networks

Sebastian Guendel, Saša Grbić+5 more|arXiv (Cornell University)|Mar 12, 2018

COVID-19 diagnosis using AI参考文献 7被引用 40

一句话总结

本论文介绍 DNetLoc，一种利用高分辨率胸部X光影像和空间病理信息的定位感知 DenseNet，在 ChestX-Ray14 上达到最先进的 AUC，并在以患者为单位的划分的 PLCO 数据集上取得强劲结果。

ABSTRACT

Chest X-ray is the most common medical imaging exam used to assess multiple pathologies. Automated algorithms and tools have the potential to support the reading workflow, improve efficiency, and reduce reading errors. With the availability of large scale data sets, several methods have been proposed to classify pathologies on chest X-ray images. However, most methods report performance based on random image based splitting, ignoring the high probability of the same patient appearing in both training and test set. In addition, most methods fail to explicitly incorporate the spatial information of abnormalities or utilize the high resolution images. We propose a novel approach based on location aware Dense Networks (DNetLoc), whereby we incorporate both high-resolution image data and spatial information for abnormality classification. We evaluate our method on the largest data set reported in the community, containing a total of 86,876 patients and 297,541 chest X-ray images. We achieve (i) the best average AUC score for published training and test splits on the single benchmarking data set (ChestX-Ray14), and (ii) improved AUC scores when the pathology location information is explicitly used. To foster future research we demonstrate the limitations of the current benchmarking setup and provide new reference patient-wise splits for the used data sets. This could support consistent and meaningful benchmarking of future methods on the largest publicly available data sets.

研究动机与目标

• 推动自动化胸 X 光异常检测，以支持放射科医生并减少阅片错误。
• 通过采用患者级分割和基准测试来解决数据泄露问题。
• 利用高分辨率输入和显式空间定位来提高分类准确性。
• 在大型公共数据集上提供新的患者级基准，以便进行有原则的未来比较。

提出的方法

• 使用对多标签分类具有 sigmoid 输出的 DenseNet-121 的变体。
• 通过前两个初始步长卷积层引入高分辨率输入（1024x1024），并初始化为高斯下采样。
• 使用带类别权重的二元交叉熵来处理标签不平衡。
• 通过附加的二元位置标签和交叉熵损失，将 PLCO 的空间定位信息整合到所选病理中。
• 将 ChestX-Ray14 和 PLCO 整合到一个包含 35 个标签（14 ChestX-Ray14 + 21 PLCO）的单一训练框架中。
• 采用 Adam 优化器训练（学习率 lr=1e-3，遇 plateau 时降低），批量大小为 128。

实验结果

研究问题

• RQ1 将空间定位信息纳入是否能改善胸部X光影像中病理的分类？
• RQ2 使用高分辨率输入训练胸部X光异常的好处是什么？
• RQ3 将 ChestX-Ray14 与 PLCO 的数据合并会如何影响性能与基准？
• RQ4 基于患者的分割设置是否能提供比随机图像分割更稳健和公平的基准？
• RQ5 空间感知建模在多大程度上可以在提高准确性的同时减少训练时间？

主要发现

• 在 ChestX-Ray14 上，所提出的方法在官方测试集上实现了最佳的平均 AUC（DNet 基线的平均 AUC ~0.807；新分割的平均 AUC 为 0.841，标准差 0.019）。
• 在 PLCO 数据集上使用定位信息对带有空间标签的病理产生更高的 AUC（平均增益约 2.3%）。
• 在结合 ChestX-Ray14 与 PLCO 数据并带有定位信息进行训练时，最终 PLCO 平均 AUC 达到 0.874。
• 空间标注提升了按病理分项的 AUC，如结节、肿块、肉芽腫、渗出、瘢痕、纤维化、骨/软组织病变、心脏异常和积液等。
• 使用定位信息时，训练时间大约减少一半。
• 该研究指出了以往基准的局限性，并提供了新的患者级分割以进行有原则的比较。