The Impact of Image Resolution and Model Scaling on Deep Learning based Automated Chest Radiograph Interpretation
Frontal radiographic image from the validation set of CheXpert [21] in three of five resized versions used for the experiments. X-ray taken of a 45 year old male patient with the atelectasis observation classified as positive by the consensus of three radiologists.
Abstract
Der effektiven Nutzung Deep Learning basierter Verfahren für die automatisierte Röntgen-Thorax Interpretation fehlte es an einem annotierten Datensatz mit entsprechender Größe. Dieses Problem scheint durch den CheXpert Datensatz [21], welcher als Wettbewerbsaufgabe veröffentlicht wurde, gelöst zu sein. Mehrere Teilnehmer [30, 51] konnten bereits zeigen, dass man erfolgreich ein Deep Learning Modell auf diesem Datensatz trainieren kann, indem sie die Detektionsrate ihres Modells mit der Detektionsrate von 3 Radiologen auf 500 Studien bestehend aus 5 verschiedenen Pathologien verglichen. Die Modelle übertrafen die Detektionsrate der Radiologen im Großteil der Pathologien. Die Autoren nutzten die Röntgenbilder in runterskalierten Varianten (320×320 oder kleiner) als direkte Eingabe zu den Modellen. Diese Arbeit untersucht empirisch die Auswirkung von 5 verschiedenen Bildauflösungen, gemessen in der Metrik Area Under Receiver Operating Characteristic Curve (AUROC), an den gleichen 5 Pathologien mit verschiedenen auf ImageNet vor trainierten Modellen. Die Resultate deuten auf potenziell höhere Detektionsraten, hauptsächlich verursacht durch höhere Bildauflösungen. Dieses Verhalten ist allerdings abhängig von der Pathologie. In 3 von 5 Fällen profitierten die Detektionsraten der Modelle, die auf einer Bildauflösung über 320×320 trainiert wurden, während die verbleibenden zwei Pathologien abnehmende Detektionsraten aufzeigen.
Masterarbeit
The Impact of Image Resolution and Model Scaling on Deep Learning based Automated Chest Radiograph Interpretation
Nima Chizari, 2021, Link
Literatur
[21] Irvin, Jeremy ; Rajpurkar, Pranav ; Ko, Michael ; Yu, Yifan ; Ciurea-Ilcus, Silviana ; Chute, Chris ; Marklund, Henrik ; Haghgoo, Behzad ; Ball, Robyn ; Shpanskaya, Katie ; Seekins, Jayne ; Mong, David ; Halabi, Safwan ; Sand- berg, Jesse ; Jones, Ricky ; Larson, David ; Langlotz, Curtis ; Patel, Bhavik ; Lungren, Matthew ; Ng, Andrew: CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison. In: Proceedings of the AAAI Conference on Artifcial Intelligence 33 (2019), Juli, S. 590-597
[30] Pham, Hieu H. ; Le, Tung T. ; Ngo, Dat T. ; Tran, Dat Q. ; Nguyen, Ha Q.: Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease Dependencies and Uncertainty Labels, URL https://openreview.net/forum? id=4o1GLIIHlh. Zugriffsdatum: 2021-11-04, Januar 2020
[51] Yuan, Zhuoning ; Yan, Yan ; Sonka, Milan ; Yang, Tianbao: Large-Scale Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classifcation, URL https://openaccess.thecvf.com/content/ ICCV2021/html/Yuan_Large-Scale_Robust_Deep_AUC_Maximization_ A_New_Surrogate_Loss_and_ICCV_2021_paper.html. Zugriffsdatum: 2021-11-04, 2021, S. 3040-3049