Глубокие сверточные нейронные сети для автоматизированного обнаружения: архитектуры CNN, характеристики наборов данных и перенос обучения

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.