[论文解读] Lung Cancer Screening Using Adaptive Memory-Augmented Recurrent Networks

Aryan Mobiny, Supratik Moulik+1 more|arXiv (Cornell University)|Oct 11, 2017

COVID-19 diagnosis using AI参考文献 48被引用 12

一句话总结

本文提出一种记忆增强循环网络（MANN），用于CT扫描中肺结节的自适应分类，支持基于放射科医生反馈的快速微调，并具备对数据分布变化的鲁棒性。该方法引入了一种通过循环网络计算的一致性密度函数（IDF），用于检测和过滤噪声标签，在合成数据中实现了95%的噪声去除率，并识别出63%的由放射科医生重新标记为误分类的图像。

ABSTRACT

In this paper, we investigate the effectiveness of deep learning techniques for lung nodule classification in computed tomography scans. Using less than 10,000 training examples, our deep networks perform two times better than a standard radiology software. Visualization of the networks' neurons reveals semantically meaningful features that are consistent with the clinical knowledge and radiologists' perception. Our paper also proposes a novel framework for rapidly adapting deep networks to the radiologists' feedback, or change in the data due to the shift in sensor's resolution or patient population. The classification accuracy of our approach remains above 80% while popular deep networks' accuracy is around chance. Finally, we provide in-depth analysis of our framework by asking a radiologist to examine important networks' features and perform blind re-labeling of networks' mistakes.

研究动机与目标

• 系统比较深度学习模型与放射科医生及标准放射科软件在CT扫描肺结节分类中的表现。
• 开发一种框架，使深度神经网络能够快速适应放射科医生的反馈或数据分布的变化（例如传感器分辨率或患者人群的变化）。
• 解决肺结节数据集中真实标签噪声这一关键问题，该问题会降低模型性能。
• 验证一种新型不一致性密度函数（IDF）在利用循环网络动态特性识别误标样本方面的有效性。

提出的方法

• 使用3D ResNet从CT扫描中提取特征，随后通过记忆增强神经网络（MANN）建模序列反馈并动态调整预测结果。
• 在MANN训练过程中引入标签洗牌策略，以实现图像特征与标签之间的动态绑定，防止静态映射，提升对标签变更的响应能力。
• 提出不一致性密度函数（IDF）作为衡量在给定样本被用作种子且其标签可能错误时，预测结果在测试样本中不一致程度的指标。
• 通过将种子样本输入冻结的MANN，并统计在一组已知正确样本上产生的错误预测数量来计算IDF。
• 利用IDF识别出高不一致性样本，这些样本可能为误标样本，采用95%置信水平的高斯模型进行噪声标签过滤。
• 在具有20%标签噪声的合成MNIST数据和真实肺结节数据上验证该方法，其中放射科医生对高IDF样本进行盲重新标记以确认其标签。

实验结果

研究问题

• RQ1 深度神经网络在CT扫描肺结节分类中的表现与放射科医生及标准放射科软件相比如何？
• RQ2 深度学习模型能否在保持高精度的同时，快速适应放射科医生的反馈或数据分布变化（如新扫描仪或患者人群变化）？
• RQ3 基于循环网络的不一致性密度函数能否有效检测并过滤肺结节数据集中的噪声标签？
• RQ4 深度网络的错误是否具有语义意义且与放射科医生的判断一致，能否通过交互式反馈进行纠正？

主要发现

• 在交叉误差度量下，即使在训练样本少于10,000个的情况下，深度网络的性能仍比标准放射科软件高出4.8倍。
• 所提出的基于MANN的分类器在数据分布变化下仍保持80%以上的准确率，而标准深度网络的准确率则下降至随机水平。
• 在具有20%标签噪声的合成MNIST数据集中，不一致性密度函数（IDF）成功识别出超过95%的误标样本。
• 在真实肺结节数据中，IDF标记为可能误标的63%图像在盲重新标记过程中被放射科医生赋予了不同标签，证实了该方法的有效性。
• 网络滤波器的可视化显示了与临床知识和放射科医生判断一致的语义有意义特征。
• 放射科医生对网络错误进行盲重新标记的结果表明，模型的错误对专家而言极具迷惑性，表明其与人类诊断挑战高度一致。