[论文解读] Severity classification in cases of Collagen VI-related myopathy with Convolutional Neural Networks and handcrafted texture features

Rafael Rodrigues, Susana Quijano‐Roy+2 more|arXiv (Cornell University)|Feb 28, 2022

Muscle Physiology and Disorders参考文献 21被引用 2

一句话总结

本研究提出了一种混合深度学习与手工设计纹理特征的方法，用于使用T1加权MRI对胶原蛋白VI相关肌病的肌肉严重程度进行分类。该方法将卷积神经网络（CNN）与基于手工纹理特征的全连接网络（FCN）相结合，实现了93.8%的全局准确率，以及健康、轻度和中度/重度病例分别对应的F1分数0.99、0.82和0.95，表明其在非侵入性诊断和随访方面具有强大潜力。

ABSTRACT

Magnetic Resonance Imaging (MRI) is a non-invasive tool for the clinical assessment of low-prevalence neuromuscular disorders. Automated diagnosis methods might reduce the need for biopsies and provide valuable information on disease follow-up. In this paper, three methods are proposed to classify target muscles in Collagen VI-related myopathy cases, based on their degree of involvement, notably a Convolutional Neural Network, a Fully Connected Network to classify texture features, and a hybrid method combining the two feature sets. The proposed methods were evaluated on axial T1-weighted Turbo Spin-Echo MRI from 26 subjects, including Ullrich Congenital Muscular Dystrophy and Bethlem Myopathy patients at different evolution stages. The hybrid model achieved the best cross-validation results, with a global accuracy of 93.8%, and F-scores of 0.99, 0.82, and 0.95, for healthy, mild and moderate/severe cases, respectively.

研究动机与目标

• 开发一种自动化、非侵入性的方法，用于使用MRI对胶原蛋白VI相关肌病的严重程度阶段进行分类，减少对侵入性活检的依赖。
• 评估基于CNN的方法、手工纹理特征分类器及其混合组合在T1加权MRI扫描中的性能。
• 评估在低发病率神经肌肉疾病中实现早期检测和纵向疾病进展监测的可行性。
• 通过结合深度学习与工程化特征，解决罕见疾病中训练数据有限的挑战。

提出的方法

• 本研究使用26名受试者的冠状面T1加权Turbo自旋回波（TSE）MRI扫描，包括Ullrich先天性肌营养不良症和Bethlem肌病患者，涵盖不同疾病阶段。
• 从股四头肌中提取肌肉感兴趣区域（ROIs），并裁剪出图像块用于训练和验证。
• 端到端训练卷积神经网络（CNN）以对图像块进行严重程度分类。
• 独立地，提取手工纹理特征（包括GLCM、RLM、LBP和基于小波的特征），并使用全连接网络（FCN）进行分类。
• 通过在最终分类前拼接CNN学习到的特征与手工纹理特征，构建混合模型。
• 通过随机水平翻转、平移、旋转和对比度调整等数据增强技术，提高在小样本数据集上的泛化能力。

实验结果

研究问题

• RQ1 CNN能否有效从T1加权MRI扫描中对胶原蛋白VI相关肌病的严重程度进行分类？
• RQ2 在该背景下，仅使用手工纹理特征能否提供可靠的严重程度分类？
• RQ3 将CNN学习到的深度特征与工程化纹理特征相结合，能否提升分类性能？
• RQ4 各模型在不同严重程度类别中的表现如何，特别是在区分轻度与健康病例方面？

主要发现

• 混合模型实现了最高的全局准确率93.8%，优于仅使用CNN或仅使用纹理特征的方法。
• 混合模型在健康病例、轻度病例和中度/重度病例中的F1分数分别为0.99、0.82和0.95，表明在所有严重程度级别均表现优异。
• CNN模型在分类轻度和中度/重度病例方面表现更优，而纹理特征分类器则提升了对健康肌肉的检测能力。
• 误分类主要发生在相邻严重程度类别之间（例如健康/轻度或轻度/中度/重度），表明其在纵向监测中具有潜力。
• 所有模型中，股内侧肌表现最差，混合模型中出现了26次误分类，主要由于轻度病例样本数量较少。
• 本研究证明，将深度学习与手工特征结合可显著提升低数据场景下的性能，支持在罕见神经肌肉疾病中实现非侵入性诊断与随访。