Optimizing Convolutional Neural Networks for Chronic Obstructive Pulmonary Disease Detection in Clinical Computed Tomography Imaging

要約

慢性閉塞性肺疾患 (COPD) は世界中で主要な死因ですが、早期発見と治療により病気の進行を防ぐことができます。
スパイロメトリー検査で COPD を検出する従来の方法とは対照的に、胸部の X 線コンピューター断層撮影 (CT) スキャンは、肺の形態学的変化の尺度を提供します。
COPD の自動検出は、ディープ ラーニング モデルを使用して実行できることが示されています。
しかし、通常、COPD の CT スキャンの検査中に臨床医によって実行される、最適なウィンドウ設定の選択を組み込む可能性は、一般に、深層学習アプローチでは見過ごされています。
手動および自動のウィンドウ設定最適化 (WSO) ステップの実装を通じて、密に接続された畳み込みニューラル ネットワーク (DenseNets) を使用して COPD のバイナリ分類を最適化することを目指しています。
私たちのデータセットは、Klinikum rechts der Isar 研究病院からの 78 の CT スキャンで構成されていました。
テスト セットで繰り返し推論を行った結果、WSO を使用しない場合、プレーンな DenseNet の平均スライス レベル AUC は 0.80$\pm$0.05 であることが示されました。
入力画像を肺気腫ウィンドウ設定に手動で調整すると、単純な DenseNet モデルは平均 AUC 0.86$\pm$0.04 で COPD を予測しました。
カスタマイズされたレイヤーを DenseNet に追加して WSO を自動化することにより、肺気腫ウィンドウ設定に近い最適なウィンドウ設定が学習され、0.82$\pm$0.04 の平均 AUC が達成されました。
DenseNet モデルを使用した COPD の検出は、CT データの WSO によって肺気腫ウィンドウ設定範囲に最適化され、ディープ ラーニング パイプラインで最適なウィンドウ設定選択を実装することの重要性が実証されました。

要約(オリジナル)

Chronic Obstructive Pulmonary Disease (COPD) is a leading cause of death worldwide, yet early detection and treatment can prevent the progression of the disease. In contrast to the conventional method of detecting COPD with spirometry tests, X-ray Computed Tomography (CT) scans of the chest provide a measure of morphological changes in the lung. It has been shown that automated detection of COPD can be performed with deep learning models. However, the potential of incorporating optimal window setting selection, typically carried out by clinicians during examination of CT scans for COPD, is generally overlooked in deep learning approaches. We aim to optimize the binary classification of COPD with densely connected convolutional neural networks (DenseNets) through implementation of manual and automated Window-Setting Optimization (WSO) steps. Our dataset consisted of 78 CT scans from the Klinikum rechts der Isar research hospital. Repeated inference on the test set showed that without WSO, the plain DenseNet resulted in a mean slice-level AUC of 0.80$\pm$0.05. With input images manually adjusted to the emphysema window setting, the plain DenseNet model predicted COPD with a mean AUC of 0.86$\pm$0.04. By automating the WSO through addition of a customized layer to the DenseNet, an optimal window setting in the proximity of the emphysema window setting was learned and a mean AUC of 0.82$\pm$0.04 was achieved. Detection of COPD with DenseNet models was optimized by WSO of CT data to the emphysema window setting range, demonstrating the importance of implementing optimal window setting selection in the deep learning pipeline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google