Deep learning and classical computer vision techniques in medical image analysis: Case studies on brain MRI tissue segmentation, lung CT COPD registration, and skin lesion classification

要約

医療イメージングは​​、疾患の診断、治療計画、および監視において極めて重要な役割を果たす多様なタスクとモダリティにまたがっています。
この研究では、複数のイメージングモダリティにわたるセグメンテーション、登録、および分類タスクを体系的に評価した最初の新しい探索を提示します。
脳のMRI組織のセグメンテーション、肺CT画像登録、およびデルモスコピック画像からの皮膚病変の分類に対処する際に、古典学習と深部学習（DL）の両方のアプローチを統合すると、これらの方法論の補完的な強度が多様なアプリケーションにおける補完的な強みを示します。
脳組織のセグメンテーションの場合、3D DLモデルは2Dベースのモデルとパッチベースのモデル、特に0.9397のサイコロを達成し、ResNet34バックボーンに3D U-Netモデルを達成し、DICE 0.8946で競合結果を提供しました。
Multi-Atlasメソッドは、DLメソッドが実行不可能な場合に堅牢な代替案を提供し、平均サイコロは0.7267を達成しました。
肺CT登録では、古典的なElastixベースのメソッドがDLモデルを上回り、6.68 mmの最小ターゲット登録エラー（TRE）を達成し、パラメーターチューニングの有効性を強調しました。
HighResnetは、7.40 mmのTREでDLモデルの間で最も優れたパフォーマンスを発揮しました。
皮膚病変の分類では、InceptionResnetv2やResNet50などのDLモデルのアンサンブルが優れており、それぞれ最大90.44％、およびそれぞれバイナリおよびマルチクラス分類の93.62％の精度を達成しました。
また、1VS-ALLメソッドを採用して、DLは94.64％（MEL対その他）、95.35％（BCC対その他）、96.93％（SCC対その他）の精度を達成しましたが、MLモデルは、手作りされた特徴であるClass for Class cursis on smbals cursity on curcis on curcis on curcis on curcis for curcis for curcis on culricationの多層パーセプトロン（MLP）の特異的にマルチレイヤーパーセプトロン（MLP）を実現しました。
タスクとバイナリクラスのタスクの83.27％。
リクエストに応じて、ソースコードへのリンクが利用可能です。

要約(オリジナル)

Medical imaging spans diverse tasks and modalities which play a pivotal role in disease diagnosis, treatment planning, and monitoring. This study presents a novel exploration, being the first to systematically evaluate segmentation, registration, and classification tasks across multiple imaging modalities. Integrating both classical and deep learning (DL) approaches in addressing brain MRI tissue segmentation, lung CT image registration, and skin lesion classification from dermoscopic images, we demonstrate the complementary strengths of these methodologies in diverse applications. For brain tissue segmentation, 3D DL models outperformed 2D and patch-based models, specifically nnU-Net achieving Dice of 0.9397, with 3D U-Net models on ResNet34 backbone, offering competitive results with Dice 0.8946. Multi-Atlas methods provided robust alternatives for cases where DL methods are not feasible, achieving average Dice of 0.7267. In lung CT registration, classical Elastix-based methods outperformed DL models, achieving a minimum Target Registration Error (TRE) of 6.68 mm, highlighting the effectiveness of parameter tuning. HighResNet performed best among DL models with a TRE of 7.40 mm. For skin lesion classification, ensembles of DL models like InceptionResNetV2 and ResNet50 excelled, achieving up to 90.44%, and 93.62% accuracies for binary and multiclass classification respectively. Also, adopting One-vs-All method, DL attained accuracies of 94.64% (mel vs. others), 95.35% (bcc vs. others), and 96.93% (scc vs. others), while ML models specifically Multi-Layer Perceptron (MLP) on handcrafted features offered interpretable alternatives with 85.04% accuracy using SMOTE for class imbalance correction on the multi-class task and 83.27% on the binary-class task. Links to source code are available on request.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google