Jak CNN uczy się rozpoznawania objawu mózgowego na obrazach MRI

Kwestia decyzyjna o wysokiej stanie

Okolo 11 tysięcy osób jest diagnozowanych z primary brain tumour w Wielkiej Brytanii rocznie, a szybkość tej diagnozy ma bezpośredni wpływ na dostępne opcje leczenia i wyniki. Jednym z najprostszych zadań wizji komputerowej w medycznej fotografii jest w teorii decyduje, czy sekcja MRI mózgu pokazuje tumory. Wydaje się proste w porównaniu do oceny stopnia zaawansowania tarczy, ale nawet takie dwuczynne decyzji „tak” lub „nie” jest rzeczywiście przydatnym elementem budowlanym: system, który może szybko i wiarygodnie przeskandować przychodzące sekcje MRI do kategorii „prawdopodobnie normowe” i „potrzebuje bliższego badania”, mógłby pomóc departamentom radiologii priorytetyzować swoje listy czytelności, co ma znaczenie, gdy listy oczekiwania na fotografie medyczne NHS są pod naciskiem.

Dlaczego MRI jest różny od fotografii

Obraz MRI to szersza kroquina przez tkanki miękkie zbudowana z sygnałów optycznych radiofrenowych, a nie odbijanych promieni świetlnych. Tissue lepiej wykrywane jest jako obszar o innej intensywności i strukturze szerszej kroinki w porównaniu do zdrowej tkanki mózgowej — czasami bardziej jasna, czasami ciemniejsza, często z nieprawidłowym, niewyraźnym brzegiem w porównaniu do normalnych struktury anatomiczne. Sieć CNN zaprojektowana do wykrywania tego nie musi rozumieć żadnej z tych fizyk, ale tylko musi być pokazana wystarczająco wielu etykietowanych przykładów „tumor obecny” i „tumor brak”, aby jej filtry konwolucyjne stopniowo nauczono się reagować na struktury i kształty charakterystyczne dla tkaniny niezdrowej, niezależnie od exact w jakiej części obrazu pojawiają się.

Działalność funkcji klasyfikatora binarnego do tego celu można zbudować jako stosunek do stosunkowo małych sieci CNN: trzy bloki konwolucji i skrócenia, które stopniowo zmniejszają obraz, jednocześnie wydobywając coraz bardziej abstrakcyjne cechy, a następnie ogromna głęboka głowa klasyfikacyjna kończąca się pojedynczym wyjściem sigmoide — liczbą z zakresu 0-1 czytane jako szacowana przez model prawdopodobieństwo obecności tkaniny lepiej wykrywane. Obrazy są zwykle zmniejszane do rozmiaru około 128x128 pikseli i normalizowane do zakresu wartości piksele 0-1 przed przekazaniem do sieci, która pozwalają na szybkie treningi, które wystarczają aby uruchomić na pojedynczym GPU.

Dlaczego pamiętanie jest ważniejsze od dokładności w tym ujęciu

Po treningu naturalnym reflexem jest sprawdzenie ogólnej dokładności — procentu obrazów testowych klasyfikowanych poprawnie. Ale w kontekście ekranowania to nie jest właściwa liczba do optymalizacji. Rozważmy zestaw danych, w którym 60% obrazów nie pokazuje raka: model, który przewidziałby „brak raka” dla każdego obrazu, byłby już 60% dokładny, ale byłby klinicznie bezużyteczny, ponieważ przeraziłby się każdy rzeczywisty przypadek. To dokładnie dlaczego pamiętanie (także nazywane czuciem do pozytywnych) — proporcja rzeczywistych przypadków raka, które model pomyślnie zidentyfikował — jest najważniejszym miernikiem dla narzędzia ekranującego. Fałszywe ujemne, gdzie rzeczywisty rak jest pominięty, to znacznie poważniejsza błąd niż fałszywe pozytywy prowadzące do dodatkowej sprawdzania obrazu przez radiologa. Podawanie zarówno dokładności jak i pamiętania obok siebie oraz analiza macierzy złośliwościami zamiast pojedynczej podsumowującej liczby daje znacznie bardziej szczerą wizję, jak model rzeczywistościowo zachowałby się w klinicznej praktyce.

Co wykazanie konfuzji odsłania

Wykaz konfuzji dla tej dwuczynnikowej zadania podzieli predykcje na cztery kategorie: prawdziwe negatywy (poprawnie uznane za normalne), prawdziwe pozytywy (poprawnie wykryte objawy choroby), fałszywe pozytywy (normalne obrazy nieprawidłowo oznaczone jako podejrzane) i fałszywe negatywy (pomijane objawy choroby). Przedstawienie tego na małym termometrze odczuwalnie pokazuje ten kompromis, a jest znacznie bardziej informacyjne dla spojrzenia klinicznego niż pojedyncza procentowa dokładność, ponieważ bezpośrednio pokazuje, ile rzeczywistych objawów choroby model powszechnie pozwala przejść niewykryte — to, co najbardziej zainteresują departamenty radiologii przed zaufaniem do narzędzia jako pierwszego filtra.

Różnica między projektem portfela a narzędziem klinicznym

Zbiór danych składający się z kilkudziesięciu MRI, nawet jeśli zostanie dokładnie etykietowany, nie jest wystarczająco duży ani różnorodny, aby uznać narzędzie za zatwierdzone do użytku klinicznego. Zwykle realne obrazy MRI mózgu mogą się znacznie różnić w zależności od producenta oprogramowania MRI, siły pola magnetycznego, sekwencji obrazowania (T1, T2, FLAIR itp.) oraz położenia pacjenta. Model treningowy na podstawie jednego ograniczonego zestawu danych może wykazywać znacząco gorsze efekty, gdy spotka obrazy, których podczas treningu nie widział odpowiednich równoważników. Prawdziwe narzędzie kliniczne dla NHS w radiologii powinno również przesunąć się dalej niż proste klasyfikowanie obecności/lacku stanu, aby dokładnie lokalizować miejsce położenia tarczy (segmentacja), szacować prawdopodobny typ lub stopień tarczy oraz uzyskać potwierdzenie prospectywne z ekspertów radiologii neuroradiologicznej na wielu zaufaniach klinicznych — a także uzyskać formalną zatwierdzenie regulatoryzacyjne jako urządzenie medyczne, zanim będzie mogło dotknąć prawdziwej ścieżki opieki zdrowotnej.

Często zadawane pytania