[论文解读] Practical Window Setting Optimization for Medical Image Deep Learning

Hyunkwang Lee, Myeongchan Kim+1 more|arXiv (Cornell University)|Dec 3, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 9被引用 23

一句话总结

本文提出了一种可训练的窗口设置优化（WSO）模块，用于医学图像深度学习，通过使用带有自定义激活函数的1×1卷积层，自动学习CT图像的最佳亨斯菲尔德单位（HU）窗宽范围。该方法通过增强病灶的显著性，在颅内出血和尿路结石检测任务中提升性能，优于在完整HU范围或固定窗宽设置下训练的模型，采用双初始化的S型WSO时，颅内出血检测AUC达97.6%，尿路结石检测AUC达97.2%。

ABSTRACT

The recent advancements in deep learning have allowed for numerous applications in computed tomography (CT), with potential to improve diagnostic accuracy, speed of interpretation, and clinical efficiency. However, the deep learning community has to date neglected window display settings - a key feature of clinical CT interpretation and opportunity for additional optimization. Here we propose a window setting optimization (WSO) module that is fully trainable with convolutional neural networks (CNNs) to find optimal window settings for clinical performance. Our approach was inspired by the method commonly used by practicing radiologists to interpret CT images by adjusting window settings to increase the visualization of certain pathologies. Our approach provides optimal window ranges to enhance the conspicuity of abnormalities, and was used to enable performance enhancement for intracranial hemorrhage and urinary stone detection. On each task, the WSO model outperformed models trained over the full range of Hounsfield unit values in CT images, as well as images windowed with pre-defined settings. The WSO module can be readily applied to any analysis of CT images, and can be further generalized to tasks on other medical imaging modalities.

研究动机与目标

• 为解决尽管窗宽设置在临床放射学中具有关键作用，但在医学图像深度学习中仍被低估利用的问题。
• 开发一种可微分、端到端可训练的模块，以学习最优窗宽设置（窗位和窗宽），从而提升诊断性能。
• 证明针对特定任务的窗宽优化可使模型性能超越固定窗宽或完整HU输入设置。
• 将该方法推广至其他CT任务及其他医学影像模态（如MRI和PET）。

提出的方法

• WSO模块使用带有可学习权重和偏置的1×1卷积层，以模拟线性或S型窗宽函数。
• 窗宽函数定义为 $ F_{lin}(x) = \min(\max(Wx + b, 0), U) $，其中 $ W = \frac{U}{WW} $，$ b = -\frac{U}{WW}(WL - \frac{WW}{2}) $，支持可微分优化。
• 对于S型窗宽，$ F_{sig}(x) = \frac{U}{1 + e^{-(Wx + b)}} $，其中 $ W $ 和 $ b $ 由目标窗位和窗宽推导得出。
• WSO层插入主CNN（Inception-v3）之前，使反向传播能够优化窗宽参数。
• WSO参数的初始化基于标准临床窗宽设置（如“脑”、“硬膜下”、“骨”、“腹部”），以引导优化过程。
• 使用Adam优化器配合学习率衰减进行模型训练，最佳模型基于验证损失选择。

实验结果

研究问题

• RQ1 与固定窗宽或完整HU输入相比，可微分、可学习的窗宽模块是否能提升CT图像分析中的深度学习性能？
• RQ2 在特定任务中优化窗宽设置是否能增强颅内出血和尿路结石等病灶的显著性？
• RQ3 窗宽函数的选择（线性 vs. S型）对医学图像分类模型性能有何影响？
• RQ4 WSO模块是否可推广至CT以外的其他医学影像模态？

主要发现

• 采用S型窗宽和双初始化的WSO模型在颅内出血检测中达到97.6%的AUC，优于最佳基线模型的96.9%。
• 在尿路结石检测中，WSO模型达到97.2%的AUC，优于次佳基线模型的94.6%。
• 在标准窗宽设置（如“脑”、“硬膜下”）预窗宽处理后的图像上训练的模型，优于在完整HU范围图像上训练的模型，表明窗宽处理具有显著价值。
• 采用S型激活函数并从两个标准设置初始化的WSO模块性能最高，表明多先验初始化具有优势。
• WSO优化后的窗宽设置使病灶（如出血和结石）在特征空间中更加显著，如图3所示。
• 该方法具有良好的泛化能力，可应用于其他CT任务（如目标检测和分割）以及其他模态（如MRI和PET）。