[论文解读] Reinforcement Learning-based Automatic Diagnosis of Acute Appendicitis in Abdominal CT

Walid Abdullah Al, Il Dong Yun+1 more|arXiv (Cornell University)|Sep 2, 2019

Appendicitis Diagnosis and Management被引用 6

一句话总结

本文提出了一种基于强化学习（RL）引导、低熵区域（RLE）的框架，用于腹部CT扫描中急性阑尾炎的自动化诊断。通过首先利用RL定位阑尾以缩小搜索空间，然后在定位区域周围应用3D卷积神经网络（CNN）对小 patch 进行分类，并最终在得分图上使用RLE检测以提高鲁棒性，该方法在标准CNN方法基础上显著提升了准确率，尤其在定位误差较大的情况下表现更优。

ABSTRACT

Acute appendicitis characterized by a painful inflammation of the vermiform appendix is one of the most common surgical emergencies. Localizing the appendix is challenging due to its unclear anatomy amidst the complex colon-structure as observed in the conventional CT views, resulting in a time-consuming diagnosis. End-to-end learning of a convolutional neural network (CNN) is also not likely to be useful because of the negligible size of the appendix compared with the abdominal CT volume. With no prior computational approaches to the best of our knowledge, we propose the first computerized automation for acute appendicitis diagnosis. In our approach, we utilize a reinforcement learning agent deployed in the lower abdominal region to obtain the appendix location first to reduce the search space for diagnosis. Then, we obtain the classification scores (i.e., the likelihood of acute appendicitis) for the local neighborhood around the localized position, using a CNN trained only on a small appendix patch per volume. From the spatial representation of the resultant scores, we finally define a region of low-entropy (RLE) to choose the optimal diagnosis score, which helps improve the classification accuracy showing robustness even under high appendix localization error cases. In our experiment with 319 abdominal CT volumes, the proposed RLE-based decision with prior localization showed significant improvement over the standard CNN-based diagnosis approaches.

研究动机与目标

• 为解决腹部CT中急性阑尾炎自动化诊断的挑战，其中阑尾体积小且因结肠解剖结构复杂而难以定位。
• 克服端到端CNN的局限性，后者在阑尾相对于整个体积而言尺寸极小的情况下表现不佳。
• 开发一种新颖且计算高效的框架，结合RL进行定位与RLE进行鲁棒的分类决策。
• 通过在下腹部使用RL自动化定位过程，减少对人工选择ROI的依赖。
• 通过聚焦分类得分图中的低熵区域，提升诊断准确率，增强对定位误差的鲁棒性。

提出的方法

• 训练一个RL智能体，以在3D CT体数据的下腹部区域定位阑尾，显著缩小后续分类的搜索空间。
• 对每个体数据中阑尾的局部小patch样本微调3D CNN，以生成局部邻域内的分类得分（阑尾炎的概率）。
• 将分类得分聚合为一个空间得分图，随后用于计算熵图，以识别低熵区域（RLE）。
• 检测熵图中RLE的局部极小值，以选择最优诊断得分，从而降低噪声影响并提高鲁棒性。
• 将网络从全连接（FC）架构转换为全卷积网络（FCN），以支持空间密集推理，通过滑动窗口推理实现上采样以重建得分图。
• 为降低计算成本，仅使用64次FCN推理（而非完整的512次）进行上采样，因为6倍上采样已足以实现有效的RLE检测。

实验结果

研究问题

• RQ1 强化学习能否有效定位腹部CT扫描中的阑尾，以缩小诊断的搜索空间？
• RQ2 在仅包含极小阑尾样本的局部区域上微调的基于patch的3D CNN分类器，能否实现可靠的分类？
• RQ3 在分类得分图中识别低熵区域（RLE）是否能提升诊断准确率并增强对定位误差的鲁棒性？
• RQ4 与标准CNN分类方法相比，所提出的基于RLE的决策机制在准确率和稳定性方面表现如何？
• RQ5 通过部分上采样实现的全卷积网络（FCN）转换，能否在不过度增加计算量的前提下，保持足够的空间分辨率以实现有效的RLE检测？

主要发现

• 与标准CNN方法相比，所提出的基于RLE的决策机制显著提升了分类准确率，尤其在高定位误差条件下表现更优。
• RL引导的定位显著缩小了诊断的搜索空间，使基于小而特异的阑尾patch的高效且精准的分类成为可能。
• 在得分图中使用低熵区域（RLE）有助于识别最可靠的诊断决策点，降低对噪声或不确定预测的敏感性。
• 通过6倍上采样（64次推理）实现的FCN转换，在计算成本与空间分辨率之间达到了令人满意的平衡，足以支持有效的RLE检测。
• 该方法对定位误差表现出强鲁棒性，在RL智能体预测位置偏离真实阑尾位置时仍能保持高性能。
• 该框架是首个将基于RL的定位与基于熵的决策优化相结合的自动化急性阑尾炎诊断计算方法。