[论文解读] Spontaneous preterm birth prediction using convolutional neural networks

Tomasz Włodarczyk, Szymon Płotka+5 more|arXiv (Cornell University)|Aug 16, 2020

Preterm Birth and ChorioamnionitisMedicine被引用 1

一句话总结

本研究提出一种单阶段卷积神经网络（CNN），可从2D经阴道超声图像中联合分割宫颈并预测自发性早产（sPTB）。通过在U-Net基础上增加并行分类分支，该模型在分割任务中达到0.923 ± 0.081的平均Jaccard指数，在sPTB预测中实现0.677 ± 0.042的敏感度与3.49%的假阳性率，优于现有最先进方法。

ABSTRACT

An estimated 15 million babies are born too early every year. Approximately 1 million children die each year due to complications of preterm birth (PTB). Many survivors face a lifetime of disability, including learning disabilities and visual and hearing problems. Although manual analysis of ultrasound images (US) is still prevalent, it is prone to errors due to its subjective component and complex variations in the shape and position of organs across patients. In this work, we introduce a conceptually simple convolutional neural network (CNN) trained for segmenting prenatal ultrasound images and classifying task for the purpose of preterm birth detection. Our method efficiently segments different types of cervixes in transvaginal ultrasound images while simultaneously predicting a preterm birth based on extracted image features without human oversight. We employed three popular network models: U-Net, Fully Convolutional Network, and Deeplabv3 for the cervix segmentation task. Based on the conducted results and model efficiency, we decided to extend U-Net by adding a parallel branch for classification task. The proposed model is trained and evaluated on a dataset consisting of 354 2D transvaginal ultrasound images and achieved a segmentation accuracy with a mean Jaccard coefficient index of 0.923 $\pm$ 0.081 and a classification sensitivity of 0.677 $\pm$ 0.042 with a 3.49\% false positive rate. Our method obtained better results in the prediction of preterm birth based on transvaginal ultrasound images compared to state-of-the-art methods.

研究动机与目标

• 开发一种基于深度学习的自动化方法，利用经阴道超声图像预测自发性早产（sPTB）。
• 通过减少妇科医生手动超声分析中的主观性与不一致性，克服现有方法的局限性。
• 将宫颈分割与sPTB分类整合为一个端到端可训练的统一模型。
• 在现有依赖手工设计特征（如宫颈长度）的方法基础上，提升预测准确性。
• 为临床超声图像的主观评估提供一种客观、定量的替代方案。

提出的方法

• 该方法采用改进的U-Net架构，并增加并行分类分支，以实现分割与分类的联合处理。
• 模型在354张2D经阴道超声图像上进行训练，其中包含319例对照组与35例早产病例。
• 采用多任务损失函数，结合二元交叉熵损失用于分割与分类任务，实现两个任务的联合优化。
• 图像预处理包括使用Telea算法修复人工标注（如黄色/绿色十字标记）以去除干扰。
• 通过Grad-CAM可视化注意力区域，结果显示网络在分类任务中重点关注宫颈外口附近的组织异质性区域。
• 评估了三种主干网络（U-Net、FCN、Deeplabv3），因U-Net在分割性能上表现更优，故被选中。

实验结果

研究问题

• RQ1 单一深度学习模型能否在经阴道超声图像上有效实现宫颈分割与自发性早产分类？
• RQ2 U-Net编码器路径中学习到的特征表示是否包含对sPTB预测具有判别力的信息？
• RQ3 与现有最先进方法相比，所提出的联合分割-分类模型在分割准确率与sPTB预测敏感度方面表现如何？
• RQ4 在sPTB分类过程中，模型关注超声图像的哪些区域？该关注区域是否与临床知识一致？
• RQ5 与人工或基于特征的方法相比，端到端深度学习能否降低假阳性率并提升预测可靠性？

主要发现

• 所提模型在宫颈分割任务中达到0.923 ± 0.081的平均Jaccard指数，表明分割精度较高。
• 在早产分类任务中，模型表现出0.677 ± 0.042的敏感度，且假阳性率仅为3.49%。
• 与文献[12]中的最先进方法相比，本模型在分割（IoU: 0.923 vs. 0.91）与分类（召回率: 0.677 vs. 0.596）两方面均表现更优。
• Grad-CAM可视化结果表明，网络重点关注宫颈下段及周围组织异质性区域，与临床观察到的前宫颈间质受累表现一致。
• 模型特异性达0.951，表明在正确识别对照组病例方面表现优异。
• 结果表明，U-Net编码器路径中提取的深层特征对sPTB预测具有高度信息量，支持端到端学习的可行性。