[论文解读] Towards Automatic Lesion Classification in the Upper Aerodigestive Tract Using OCT and Deep Transfer Learning Methods

Nils Gessert, Matthias Schlüter+4 more|tub.dok (Hamburg University of Technology)|Feb 10, 2019

Optical Coherence Tomography Applications参考文献 2被引用 5

一句话总结

本研究提出一种深度迁移学习方法，利用光学相干断层扫描（OCT）图像对上消化道和上呼吸道（UADT）中的恶性与良性病变进行自动分类。尽管数据集极小（仅100个病变），但仅微调分类器头部而冻结特征提取层的策略，其性能与人类专家相当，使用SE-ResNeXt50模型实现75.00%的敏感度和84.95%的特异度。

ABSTRACT

Early detection of cancer is crucial for treatment and overall patient survival. In the upper aerodigestive tract (UADT) the gold standard for identification of malignant tissue is an invasive biopsy. Recently, non-invasive imaging techniques such as confocal laser microscopy and optical coherence tomography (OCT) have been used for tissue assessment. In particular, in a recent study experts classified lesions in the UADT with respect to their invasiveness using OCT images only. As the results were promising, automatic classification of lesions might be feasible which could assist experts in their decision making. Therefore, we address the problem of automatic lesion classification from OCT images. This task is very challenging as the available dataset is extremely small and the data quality is limited. However, as similar issues are typical in many clinical scenarios we study to what extent deep learning approaches can still be trained and used for decision support.

研究动机与目标

• 为解决在有限OCT影像数据下对上消化道和上呼吸道（UADT）病变进行自动分类的挑战。
• 评估深度迁移学习是否能够克服医学图像分类中UADT病变数据稀缺的问题。
• 在小规模、类别不平衡的数据集上，比较不同训练策略——微调全部权重、仅重新训练分类器、从零开始训练——的性能。
• 确定深度学习模型是否能在分类侵袭性与良性UADT病变方面达到与专家人类阅片者相当的性能。
• 评估数据增强、正则化和损失平衡在低数据环境下对模型泛化能力的影响。

提出的方法

• 使用Volgger等人（2013年）提供的小规模数据集，共100张OCT图像（91个良性，9个侵袭性），所有病变均有组织学确诊的金标准标签。
• 采用留一例侵袭性病变的交叉验证策略，共8折，每折包含1个侵袭性病变和9个良性病变，以确保评估的稳健性。
• 采用三种最先进的深度学习架构——ResNet18、DenseNet121和SE-ResNeXt50——并在ImageNet上预训练，用于迁移学习。
• 使用双线性插值将所有OCT图像缩放至224×224像素，以匹配模型输入尺寸。
• 将最终分类层替换为二元输出层，并使用Adam优化器以1×10⁻⁶的学习率进行训练。
• 通过随机水平翻转、亮度、对比度和饱和度调整等数据增强方法，结合Dropout（p=0.2）和类别平衡损失加权，以缓解类别不平衡问题。

实验结果

研究问题

• RQ1 在数据极小的情况下，深度迁移学习是否仍能实现对UADT病变的可靠自动分类？
• RQ2 在低数据环境下，仅重新训练分类器头部与微调全部层或从零开始训练相比，性能如何？
• RQ3 数据增强和正则化在低质量、小规模医学图像数据集上能在多大程度上提升模型性能？
• RQ4 深度学习模型在使用OCT图像分类侵袭性与良性UADT病变时，其性能是否与人类专家相当或更优？
• RQ5 在这些数据受限条件下，哪种深度学习架构表现最佳？

主要发现

• 仅重新训练分类器头部（RC）在所有指标上均表现最佳，使用SE-ResNeXt50模型实现82.76%准确率、75.00%敏感度和84.95%特异度。
• SE-ResNeXt50在所有训练场景下均优于ResNet18和DenseNet121，表明其在本任务中的适用性。
• 从零开始训练（SCR）结果较差，准确率仅60.19%，敏感度为37.50%，凸显了在无预训练情况下小数据集训练的局限性。
• 微调全部权重（FT）相比从零开始训练仅带来微小提升，且未能超越RC策略的性能，表明在小数据设置下存在过拟合风险。
• RC策略在敏感度和特异度上与Volgger等人（2013年）研究中的平均人类阅片者相当，DenseNet121实现75.00%敏感度和77.32%特异度，SE-ResNeXt50的F1-score达81.98%。
• 采用归一化逆类别频率的损失平衡显著提升了在高度不平衡数据集上的模型性能。