[论文解读] PCONet: A Convolutional Neural Network Architecture to Detect Polycystic Ovary Syndrome (PCOS) from Ovarian Ultrasound Images

A. K. M. Salman Hosain, Md Humaion Kabir Mehedi+1 more|arXiv (Cornell University)|Oct 2, 2022

Ovarian function and disorders被引用 10

一句话总结

本文提出PCONet，一种轻量级卷积神经网络（CNN）架构，用于从卵巢超声图像中检测多囊卵巢综合征（PCOS），在由医生验证的339张图像测试集上实现了98.12%的准确率——超过微调后的InceptionV3（96.56%）。该模型在经过筛选的数据集上进行训练，尽管参数量远少于InceptionV3，但在囊性卵巢检测方面表现出更高的精确率和F1分数，性能更优。

ABSTRACT

Polycystic Ovary Syndrome (PCOS) is an endrocrinological dysfunction prevalent among women of reproductive age. PCOS is a combination of syndromes caused by an excess of androgens - a group of sex hormones - in women. Syndromes including acne, alopecia, hirsutism, hyperandrogenaemia, oligo-ovulation, etc. are caused by PCOS. It is also a major cause of female infertility. An estimated 15% of reproductive-aged women are affected by PCOS globally. The necessity of detecting PCOS early due to the severity of its deleterious effects cannot be overstated. In this paper, we have developed PCONet - a Convolutional Neural Network (CNN) - to detect polycistic ovary from ovarian ultrasound images. We have also fine tuned InceptionV3 - a pretrained convolutional neural network of 45 layers - by utilizing the transfer learning method to classify polcystic ovarian ultrasound images. We have compared these two models on various quantitative performance evaluation parameters and demonstrated that PCONet is the superior one among these two with an accuracy of 98.12%, whereas the fine tuned InceptionV3 showcased an accuracy of 96.56% on test images.

研究动机与目标

• 为解决现有深度学习模型中缺乏专注于从超声图像检测PCOS的问题，因为以往大多数研究依赖于临床数据表格。
• 开发一种新颖的、轻量级的CNN架构PCONet，专门针对超声图像中多囊卵巢形态的分类。
• 通过在医生标注的独立测试集上进行严格且无偏的评估，比较PCONet与微调后的InceptionV3模型的性能。
• 实现在早期阶段实现准确且自动化的PCOS检测，以减轻不孕症和代谢性疾病等长期并发症。

提出的方法

• PCONet是一种专为卵巢超声图像分类而设计的轻量级CNN，具有582,690个可训练参数。
• 该模型在经过筛选的339张卵巢超声图像数据集上进行端到端训练，图像由两位认证医生标注为“囊性”或“健康”。
• 使用一个独立的、无偏见的测试集（339张图像，其中189张为囊性，150张为健康）来评估模型性能，避免数据泄露。
• 对预训练的InceptionV3模型（4800万参数）进行微调，其中4798万参数可训练，以适应PCOS超声图像分类任务。
• 通过标准指标评估性能：在训练/验证集和独立测试集上使用准确率、精确率、召回率、F1分数以及混淆矩阵。
• 模型训练30个周期，采用学习率调度策略，并绘制训练/验证曲线以监控收敛性和泛化能力。

实验结果

研究问题

• RQ1 定制设计的轻量级CNN是否能在从卵巢超声图像分类PCOS方面超越微调后的预训练模型（如InceptionV3）？
• RQ2 在独立测试集上，PCONet与微调后的InceptionV3在准确率、精确率、召回率和F1分数方面的表现如何比较？
• RQ3 在有限的医学影像数据上，更小的、任务特定的CNN架构是否能实现比更大的迁移学习模型更好的泛化能力和鲁棒性？
• RQ4 医生验证的标注在多大程度上提升了深度学习模型在超声图像PCOS检测中的可靠性？

主要发现

• PCONet在测试集上达到98.12%的准确率，优于微调后的InceptionV3（96.56%）
• PCONet在检测囊性卵巢方面精确率高出2%（0.96 vs. 0.94）
• PCONet在健康卵巢分类中F1分数高出1%（0.96 vs. 0.95），表明精确率与召回率之间平衡更优
• PCONet在测试集中正确分类了全部189张囊性卵巢图像，而InceptionV3误判了5张，表明其对PCOS形态的敏感性更强
• 尽管参数量仅为InceptionV3的1.2%（582,690 vs. 4800万），PCONet仍实现了显著更高的准确率和更好的泛化能力
• 混淆矩阵确认，PCONet比InceptionV3少产生5次总错误，其中囊性预测正确多5次，健康预测正确少6次