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

要約

目的: コンピューター断層撮影 (CT) 画像上で手動調整されたウィンドウ設定最適化と自動ウィンドウ設定最適化 (WSO) を調査することにより、畳み込みニューラル ネットワーク (CNN) を使用した肺内の肺気腫の存在に基づく慢性閉塞性肺疾患 (COPD) のバイナリ検出を最適化します。
方法：被験者78名（COPDあり43名、健康対照35名）からのCT画像7,194枚（COPDあり3,597名、健康対照3,597名）を遡及的に選択し（2018年10月～2019年12月）、前処理した。
各画像について、強度値は肺気腫ウィンドウ設定およびベースラインの「フルレンジ」ウィンドウ設定に手動でクリップされました。
クラスバランスのとれたトレーニング、検証、およびテスト セットには、3,392、1,114、および 2,688 個の画像が含まれていました。
ネットワーク バックボーンは、さまざまな CNN アーキテクチャを比較することによって最適化されました。
さらに、カスタマイズされたレイヤーをモデルに追加することで、自動化された WSO が実装されました。
受信者動作特性曲線 (AUC) [下限、上限 95% 信頼度] の下の画像レベル領域と、片側マンホイットニー U 検定から計算された P 値を利用して、モデルの変動を比較しました。
結果: テスト セットで推論を繰り返した (n=7) と、DenseNet が最も効率的なバックボーンであり、WSO なしで平均 AUC 0.80 [0.76, 0.85] を達成したことが示されました。
同様に、肺気腫ウィンドウに手動で調整された入力画像では、DenseNet モデルは平均 AUC 0.86 [0.82, 0.89] (P=0.03) で COPD を予測しました。
カスタマイズされた WSO レイヤーを DenseNet に追加することにより、肺気腫ウィンドウ設定に近い最適なウィンドウが自動的に学習され、平均 AUC 0.82 [0.78, 0.86] が達成されました。
結論: DenseNet モデルによる COPD の検出は、肺気腫ウィンドウ設定範囲までの CT データの WSO によって改善されました。

要約(オリジナル)

Purpose: To optimize the binary detection of Chronic Obstructive Pulmonary Disease (COPD) based on emphysema presence in the lung with convolutional neural networks (CNN) by exploring manually adjusted versus automated window-setting optimization (WSO) on computed tomography (CT) images. Methods: 7,194 CT images (3,597 with COPD; 3,597 healthy controls) from 78 subjects (43 with COPD; 35 healthy controls) were selected retrospectively (10.2018-12.2019) and preprocessed. For each image, intensity values were manually clipped to the emphysema window setting and a baseline ‘full-range’ window setting. Class-balanced train, validation, and test sets contained 3,392, 1,114, and 2,688 images. The network backbone was optimized by comparing various CNN architectures. Furthermore, automated WSO was implemented by adding a customized layer to the model. The image-level area under the Receiver Operating Characteristics curve (AUC) [lower, upper limit 95% confidence] and P-values calculated from one-sided Mann-Whitney U-test were utilized to compare model variations. Results: Repeated inference (n=7) on the test set showed that the DenseNet was the most efficient backbone and achieved a mean AUC of 0.80 [0.76, 0.85] without WSO. Comparably, with input images manually adjusted to the emphysema window, the DenseNet model predicted COPD with a mean AUC of 0.86 [0.82, 0.89] (P=0.03). By adding a customized WSO layer to the DenseNet, an optimal window in the proximity of the emphysema window setting was learned automatically, and a mean AUC of 0.82 [0.78, 0.86] was achieved. Conclusion: Detection of COPD with DenseNet models was improved by WSO of CT data to the emphysema window setting range.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google