[论文解读] Transfer learning for diagnosis of congenital abnormalities of the kidney and urinary tract in children based on Ultrasound imaging data

Qiang Zheng, Gregory E. Tasian+1 more|arXiv (Cornell University)|Dec 31, 2017

Pediatric Urology and Nephrology Studies参考文献 12被引用 6

一句话总结

本研究提出一种迁移学习方法，利用在超声肾部图像上预训练的AlexNet模型，提取深层特征以诊断儿童先天性肾和尿路异常（CAKUT）。通过将这些迁移学习特征与传统影像特征结合，该方法在分类性能上优于单一特征集，显示出在CAKUT检测中诊断准确率的提升。

ABSTRACT

Classification of ultrasound (US) kidney images for diagnosis of congenital abnormalities of the kidney and urinary tract (CAKUT) in children is a challenging task. It is desirable to improve existing pattern classification models that are built upon conventional image features. In this study, we propose a transfer learning-based method to extract imaging features from US kidney images in order to improve the CAKUT diagnosis in children. Particularly, a pre-trained deep learning model (imagenet-caffe-alex) is adopted for transfer learning-based feature extraction from 3-channel feature maps computed from US images, including original images, gradient features, and distanced transform features. Support vector machine classifiers are then built upon different sets of features, including the transfer learning features, conventional imaging features, and their combination. Experimental results have demonstrated that the combination of transfer learning features and conventional imaging features yielded the best classification performance for distinguishing CAKUT patients from normal controls based on their US kidney images.

研究动机与目标

• 通过超声影像提高儿科患者先天性肾和尿路异常（CAKUT）诊断的准确性。
• 通过利用预训练深度神经网络的迁移学习，解决儿科超声数据标注有限的挑战。
• 通过整合基于迁移学习的特征与传统图像特征，提升分类性能。
• 评估不同特征组合（迁移学习特征、传统特征及其融合）在CAKUT诊断中的有效性。

提出的方法

• 对在ImageNet上预训练的ImageNet-caffe-AlexNet模型进行微调，以从儿科肾部超声图像的三通道特征图中提取特征。
• 生成三种图像表示：原始超声图像、梯度特征和距离变换特征，每种作为输入到预训练网络的通道。
• 应用迁移学习，从这些多通道输入中提取高层语义特征，捕捉与CAKUT相关的复杂模式。
• 在不同特征集上训练支持向量机（SVM）：仅使用迁移学习特征、仅使用传统特征，以及两者的拼接。
• 使用标准指标（如准确率、敏感度和特异度）评估每种分类器的性能。
• 确定迁移学习特征与传统影像特征的融合为最优组合，用于分类。

实验结果

研究问题

• RQ1 与基于传统特征的方法相比，迁移学习是否能提升儿科超声图像中CAKUT的分类性能？
• RQ2 通过迁移学习提取的深层特征与手工设计的传统影像特征在CAKUT诊断中的表现如何比较？
• RQ3 将迁移学习特征与传统特征结合，是否能获得优于单独使用任一特征集的诊断性能？
• RQ4 在与迁移学习结合使用时，不同图像表示（原始图像、梯度、距离变换）的相对贡献是什么？

主要发现

• 迁移学习特征与传统影像特征的融合实现了最高的分类准确率，优于单独使用任一特征集的模型。
• 仅使用基于迁移学习的特征已显著优于传统特征，表明其在捕捉超声肾部图像中判别性模式方面具有重要价值。
• 融合方法提升了敏感度和特异度，表明在区分CAKUT患者与健康对照组方面具有更高的可靠性。
• 使用多通道输入（原始图像、梯度和距离变换）增强了预训练网络提取的特征丰富度。
• 尽管儿科超声数据集有限，所提出方法仍表现出稳健性能，凸显了迁移学习在小样本医学影像中的有效性。