[论文解读] TBNet:Pulmonary Tuberculosis Diagnosing System using Deep Neural Networks

Ram Srivatsav Ghorakavi|arXiv (Cornell University)|Feb 24, 2019

COVID-19 diagnosis using AI参考文献 22被引用 6

一句话总结

该论文提出TBNet，一种深度学习系统，通过在小型公开数据集上结合传统显著特征（Haar与LBP）与数据增强技术，提升使用胸部X光片进行肺结核诊断的性能。通过融合原始图像与Haar及LBP特征图——包括噪声的、部分提取的特征——该方法使ResNet-18的性能提升10%，测试准确率达到75.4%，显著优于基线方法，在泛化能力和收敛速度方面均有明显提升。

ABSTRACT

Tuberculosis is a deadly infectious disease prevalent around the world. Due to the lack of proper technology in place, the early detection of this disease is unattainable. Also, the available methods to detect Tuberculosis is not up-to a commendable standards due to their dependency on unnecessary features, this make such technology obsolete for a reliable health-care technology. In this paper, I propose a deep-learning based system which diagnoses tuberculosis based on the important features in Chest X-rays along with original chest X-rays. Employing our system will accelerate the process of tuberculosis diagnosis by overcoming the need to perform the time-consuming sputum-based testing method (Diagnostic Microbiology). In contrast to the previous methods \cite{kant2018towards, melendez2016automated}, our work utilizes the state-of-the-art ResNet \cite{he2016deep} with proper data augmentation using traditional robust features like Haar \cite{viola2005detecting,viola2001rapid} and LBP \cite{ojala1994performance,ojala1996comparative}. I observed that such a procedure enhances the rate of tuberculosis detection to a highly satisfactory level. Our work uses the publicly available pulmonary chest X-ray dataset to train our network \cite{jaeger2014two}. Nevertheless, the publicly available dataset is very small and is inadequate to achieve the best accuracy. To overcome this issue I have devised an intuitive feature based data augmentation pipeline. Our approach shall help the deep neural network \cite{lecun2015deep,he2016deep,krizhevsky2012imagenet} to focus its training on tuberculosis affected regions making it more robust and accurate, when compared to other conventional methods that use procedures like mirroring and rotation. By using our simple yet powerful techniques, I observed a 10\% boost in performance accuracy.

研究动机与目标

• 开发一种快速、准确且全自动的肺结核诊断系统，利用胸部X光片减少对耗时且依赖人工的痰液检测的依赖。
• 通过引入基于传统特征（Haar与LBP）的新颖数据增强流程，克服医疗影像数据集有限的挑战。
• 通过聚焦于与疾病相关区域的学习，提升深度神经网络在小型、类别不平衡的TB X光数据集上的泛化能力与性能。
• 证明将显著特征提取与深度学习结合，优于传统数据增强与单一特征方法。

提出的方法

• 该系统采用在原始胸部X光片与通过Haar和LBP变换生成的合成特征图组合数据集上微调的ResNet-18架构。
• 通过在原始X光片上应用Haar与LBP特征提取，包括噪声或不完整特征输出，构建数据增强流程，生成额外的训练样本。
• 采用感兴趣区域（ROI）裁剪方法，手动识别并突出显示TB感染的肺部区域，增强模型对病理性特征的关注。
• 将多种特征类型——原始图像、Haar特征、LBP特征以及裁剪的显著区域——整合进统一的训练集，以提升模型鲁棒性。
• 训练过程中采用早停法与初始学习率调度策略，跨多个验证与测试分割监控性能表现。
• 该方法避免使用标准增强技术（如旋转、翻转），转而采用内容感知的基于特征的增强，以保持诊断相关性。

实验结果

研究问题

• RQ1 基于显著特征的数据增强是否能提升在小型公开TB X光数据集上的深度学习性能？
• RQ2 将Haar与LBP等多种特征提取技术与深度学习结合，是否能获得优于单一特征或传统增强方法的诊断准确率？
• RQ3 在TB检测中，包含噪声或部分提取的特征如何影响模型的收敛性与泛化能力？
• RQ4 当模型在有限数据上训练并由与疾病相关特征引导时，能否实现高准确率与快速收敛？
• RQ5 在医学图像分类任务中，基于特征的数据增强在多大程度上优于标准数据增强技术？

主要发现

• 所提出的结合Haar与LBP特征及原始图像的数据增强方法，将测试准确率提升至75.42579%，相比仅使用原始图像的基线方法提高了10%。
• 在包含噪声LBP与Haar特征的Case 2中，验证准确率达到最高（81.333%），测试准确率也达到75.42579%，优于单一特征与无噪声情况。
• Case 2的训练损失收敛更快且更平稳，表明由于引入了更丰富、更具信息量的特征数据，优化动态得到改善。
• 经增强数据训练的模型泛化能力优于基线，表现为在特征空间中呈现单一稳定的决策边界，而原始图像仅用的案例则显示出多个边界。
• 在ResNet-18中增加更多卷积层在30个周期内未显著提升准确率，表明模型因数据限制已达到性能平台期。
• 引入Haar与LBP等显著特征增强了模型对TB感染区域的关注，减少了对大规模数据的依赖，提升了小样本数据集上的性能。