[论文解读] MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps

Aayush Kumar, Sanat B Singh+2 more|arXiv (Cornell University)|Jun 17, 2020

Digital Imaging for Blood Diseases被引用 7

一句话总结

MOSQUITO-NET 是一种基于轻量级深度学习的CADx系统，采用自定义的ConvNet架构，能够以高精度和低计算成本从显微镜图像中分类疟原虫感染和未感染的红细胞。该系统可在边缘设备和移动设备上部署，并集成了Grad-CAM和类别激活图以提升模型可解释性，增强临床对自动化诊断的信任。

ABSTRACT

Malaria is considered one of the deadliest diseases in today world which causes thousands of deaths per year. The parasites responsible for malaria are scientifically known as Plasmodium which infects the red blood cells in human beings. The parasites are transmitted by a female class of mosquitos known as Anopheles. The diagnosis of malaria requires identification and manual counting of parasitized cells by medical practitioners in microscopic blood smears. Due to the unavailability of resources, its diagnostic accuracy is largely affected by large scale screening. State of the art Computer-aided diagnostic techniques based on deep learning algorithms such as CNNs, with end to end feature extraction and classification, have widely contributed to various image recognition tasks. In this paper, we evaluate the performance of custom made convnet Mosquito-Net, to classify the infected and uninfected cells for malaria diagnosis which could be deployed on the edge and mobile devices owing to its fewer parameters and less computation power. Therefore, it can be wildly preferred for diagnosis in remote and countryside areas where there is a lack of medical facilities.

研究动机与目标

• 解决在医疗基础设施有限的资源匮乏地区实现准确且可及的疟疾诊断的挑战。
• 开发一种计算效率高的深度学习模型，由于参数量较少且推理成本低，适合在移动设备和边缘设备上部署。
• 通过集成Grad-CAM和类别激活图等可解释性技术，提升诊断的可靠性，可视化决策过程。
• 实现在Giemsa染色外周血涂片图像中对疟原虫感染红细胞的自动化检测，实现高精度。
• 通过减少对手动显微镜检查和专家人力的依赖，支持在偏远和农村地区的大规模筛查。

提出的方法

• 提出一种名为MOSQUITO-NET的自定义ConvNet架构，参数更少，计算复杂度更低，适用于边缘部署。
• 在Giemsa染色血涂片显微图像数据集上端到端训练模型，将细胞分类为感染或未感染。
• 利用Grad-CAM（梯度类激活映射）生成热图，突出显示影响模型预测的输入图像区域。
• 应用类别激活图以可视化对分类决策贡献最大的图像判别区域。
• 优化网络架构以提升推理速度和模型大小，确保与移动设备和低功耗设备的兼容性。
• 利用迁移学习和数据增强技术，提升在有限训练数据上的泛化能力和性能。

实验结果

研究问题

• RQ1 轻量级深度学习模型是否能在保持在移动和边缘设备上可部署的同时，实现高疟疾检测诊断准确率？
• RQ2 Grad-CAM和类别激活图在可视化和解释疟疾诊断模型决策过程方面的有效性如何？
• RQ3 模型可解释性在多大程度上提升了临床医生对自动化疟疾诊断系统的信任度和可靠性？
• RQ4 与现有最先进模型相比，MOSQUITO-NET在准确率、推理速度和模型大小方面的表现如何？
• RQ5 可解释性工具的集成是否能提升基于深度学习的CADx系统在低资源环境下的透明度和临床可用性？

主要发现

• MOSQUITO-NET在疟原虫感染和未感染红细胞的基准数据集上实现了高分类准确率，性能强劲，可与更大模型相媲美。
• 该模型的轻量级架构使其能够在移动和边缘设备上实现高效推理，适用于偏远和资源匮乏的临床环境部署。
• Grad-CAM和类别激活图成功突出了红细胞中寄生虫感染区域，为模型预测提供了视觉依据，增强了可解释性。
• 可解释性工具的集成提升了透明度，使临床医生能够验证模型决策，增强对自动化诊断的信任。
• 该模型在未见数据上表现出稳健的泛化能力，表明其在大规模筛查项目中具有实际应用潜力。
• 该系统减少了对手动显微镜检查的依赖，为流行地区提供了可扩展的早期且准确的疟疾诊断解决方案。