Глубокие сверточные нейронные сети для автоматизированного обнаружения: архитектуры CNN, характеристики наборов данных и перенос обучения
Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning
2016-02-11
SCID: 54.1/495ajsp3
Discuss with AI
ImageNetкомпьютерная диагностикаглубокие сверточные нейронные сетиклассификация медицинских изображенийперенос обучения
Figures from the paper
Abstract (AI)
В распознавании изображений достигнут значительный прогресс, главным образом благодаря доступности крупномасштабных размеченных наборов данных и глубоких сверточных нейронных сетей (CNN). CNN позволяют на основе данных обучать высокоинформативные иерархические признаки изображений при наличии достаточного объема обучающих данных. Однако получение наборов данных в области медицинской визуализации, размеченных столь же полно, как ImageNet, остается сложной задачей. В настоящее время существуют три основные успешно применяемые технологии использования CNN для классификации медицинских изображений: обучение CNN с нуля, использование готовых признаков предварительно обученной CNN и проведение неконтролируемого предварительного обучения CNN с последующей контролируемой тонкой настройкой. Еще одним эффективным методом является перенос обучения, то есть тонкая настройка моделей CNN, предварительно обученных на наборах данных с естественными изображениями, для решения задач медицинской визуализации. В данной статье исследуются три важных, но ранее недостаточно изученных фактора применения глубоких сверточных нейронных сетей к задачам автоматизированного обнаружения. Сначала рассматриваются и оцениваются различные архитектуры CNN. Исследованные модели содержат от 5 тысяч до 160 миллионов параметров и различаются числом слоев. Затем оценивается влияние масштаба набора данных и пространственного контекста изображения на эффективность. Наконец, изучается, когда и почему перенос обучения с моделей, предварительно обученных на ImageNet, посредством тонкой настройки может быть полезен. Рассматриваются две конкретные задачи автоматизированного обнаружения (CADe): обнаружение лимфатических узлов (LN) в грудной и брюшной областях и классификация интерстициального заболевания легких (ILD). Достигнуты результаты, соответствующие передовому уровню, при обнаружении медиастинальных лимфатических узлов; кроме того, впервые представлены результаты классификации с использованием пятикратной перекрестной проверки для прогнозирования категорий ILD на аксиальных срезах КТ. Проведенные масштабные эмпирические исследования, анализ моделей CNN и полученные ценные выводы могут быть распространены на разработку высокоэффективных систем автоматизированной компьютерной диагностики (CAD) для других задач медицинской визуализации.
Key Findings
1
Масштаб датасета и пространственный контекст изображения существенно влияют на эффективность CNN при обнаружении торакоабдоминальных лимфатических узлов и классификации интерстициальных заболеваний лёгких.
2
Предложенный подход достигает наилучших опубликованных результатов для обнаружения медиастинальных лимфатических узлов.
3
Работа исследует, когда и почему дообучение CNN, предварительно обученных на ImageNet, улучшает анализ медицинских изображений при ограниченной медицинской разметке.
4
Представлены первые результаты пятичастной кросс-валидации для классификации аксиальных КТ-срезов по категориям интерстициальных заболеваний лёгких.
5
В исследовании систематически оцениваются архитектуры CNN с числом параметров от 5 тысяч до 160 миллионов для задач компьютерной диагностики в медицине.
Research Object
Глубокие свёрточные нейронные сети, применяемые для компьютеризированного обнаружения в медицинской визуализации, в частности для обнаружения торакоабдоминальных лимфатических узлов и классификации интерстициального заболевания лёгких по КТ-изображениям
Research Subject
Влияние архитектуры CNN, масштаба набора данных, пространственного контекста изображения и переноса обучения на основе ImageNet на эффективность компьютеризированного обнаружения
Publication Details
Publication Date
2016-02-11
Journal
Publisher
ISSN
Cited by
5781
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
Обучение нескольких слоев признаков на маленьких изображениях2024
WordNet1995
Бенчмарк мультимодальной сегментации изображений опухолей головного мозга (BRATS)2014
Работы, цитирующие эту статью10
Глубокое обучение в анализе медицинских изображений2017
Обзор глубокого обучения в медицинской визуализации с акцентом на МРТ2018
Искусственный интеллект и глубокое обучение в офтальмологии2018
Машинное обучение в материаловедении2019
Мультимодальные модели глубокого обучения для раннего выявления стадии болезни Альцгеймера2021
Искусственный интеллект и машинное обучение для медицинской визуализации: обзор технологий2021
Искусственный интеллект с непрерывным обучением в радиологии: принципы внедрения и первые применения2020
Материаловедение на основе искусственного интеллекта2025
Классификация рака почки на трехфазных компьютерно-томографических изображениях с использованием метода глубокого обучения2019
Анализ МРТ-изображений на основе сверточных нейронных сетей для прогнозирования перехода от легких когнитивных нарушений к болезни Альцгеймера2018