[论文解读] Using Radiomics as Prior Knowledge for Abnormality Classification and Localization in Chest X-rays.

Yan Han, Chongyan Chen+5 more|arXiv (Cornell University)|Nov 25, 2020

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

该论文提出ChexRadiNet，一种新颖的深度学习框架，通过将放射组学特征作为先验知识，以提升胸部X光片中的异常分类与定位性能。通过利用轻量级三元注意力机制，并结合基于放射组学生成的热图进行迭代优化，该模型增强了特征的鲁棒性与定位精度，在实证评估中优于当前最先进方法。

ABSTRACT

Chest X-rays become one of the most common medical diagnoses due to its noninvasiveness. The number of chest X-ray images has skyrocketed, but reading chest X-rays still have been manually performed by radiologists, which creates huge burnouts and delays. Traditionally, radiomics, as a subfield of radiology that can extract a large number of quantitative features from medical images, demonstrates its potential to facilitate medical imaging diagnosis before the deep learning era. In this paper, we develop an algorithm that can utilize the radiomics features to improve the abnormality classification performance. Our algorithm, ChexRadiNet, applies a light-weight but efficient triplet-attention mechanism for highlighting the meaningful image regions to improve localization accuracy. We first apply ChexRadiNet to classify the chest X-rays by using only image features. Then we use the generated heatmaps of chest X-rays to extract radiomics features. Finally, the extracted radiomics features could be used to guide our model to learn more robust accurate image features. After a number of iterations, our model could focus on more accurate image regions and extract more robust features. The empirical evaluation of our method supports our intuition and outperforms other state-of-the-art methods.

研究动机与目标

• 通过自动化分类与定位，减轻放射科医生的工作负担与延迟，应对手动阅读胸部X光片日益增长的负担。
• 通过将放射组学与深度学习结合，克服传统放射组学的局限性，提升人工智能时代下的诊断性能。
• 通过使用放射组学生成的热图作为先验知识，引导特征学习，提升模型的可解释性与准确性。
• 开发一种轻量化但高效的架构，在计算效率与胸部X光片诊断性能之间实现平衡。

提出的方法

• 应用轻量级三元注意力机制，突出有意义的图像区域，提升胸部X光片中的定位精度。
• 仅使用原始图像特征对胸部X光片进行首次分类，以生成初始预测结果与注意力热图。
• 从生成的热图中提取放射组学特征，作为后续模型优化的先验知识。
• 利用提取的放射组学特征，通过迭代优化引导模型学习更鲁棒、更具判别性的图像特征。
• 通过迭代聚焦于更准确的解剖区域，基于放射组学提供的先验信息，优化模型的注意力机制与特征提取能力。
• 结合端到端深度学习与放射组学，构建混合框架，以同时提升分类与定位性能。

实验结果

研究问题

• RQ1 从注意力热图中提取的放射组学特征能否作为有效先验知识，用于提升胸部X光片分析的深度学习模型性能？
• RQ2 将放射组学与三元注意力机制结合，如何提升异常检测中的定位精度？
• RQ3 与基线方法相比，利用放射组学引导的特征进行迭代优化，在多大程度上提升了模型的鲁棒性与性能？
• RQ4 具备注意力机制与放射组学集成的轻量化架构，能否在胸部X光片分类与定位任务中超越现有最先进模型？

主要发现

• 所提出的ChexRadiNet框架在胸部X光片的异常分类与定位任务中，优于现有最先进方法。
• 从注意力热图中提取的放射组学特征显著提升了模型聚焦于具有诊断相关性的区域的能力。
• 三元注意力机制有效突出有意义的解剖结构，提升了定位精度，且未增加模型复杂度。
• 基于放射组学先验的迭代优化，实现了更鲁棒的特征学习，从而提升了模型的泛化能力与性能。
• 由于其轻量化架构，模型保持了高效率，同时实现了卓越的诊断准确性。
• 实证评估证实，通过注意力机制融合放射组学与深度学习，是医学图像分析中一种有前景的方法。