A deep learning network based on multi-scale and attention for the diagnosis of chronic atrophic gastritis

Abstract

Background and study aim Chronic atrophic gastritis plays an important role in the process of gastric cancer. Deep learning is gradually introduced in the medical field, and how to better apply a convolutional neural network (CNN) to the diagnosis of chronic atrophic gastritis remains a research hotspot. This study was designed to improve the performance of CNN on diagnosing chronic atrophic gastritis by constructing and evaluating a network structure based on the characteristics of gastroscopic images.

Methods Three endoscopists reviewed the endoscopic images of the gastric antrum from the Gastroscopy Image Database of Zhongnan Hospital and labelled available images according to pathological results. Two novel modules proposed recently were introduced to construct the Multi-scale with Attention net (MWA-net) considering the characters of similar medical images. After training the network using images of training sets, the diagnostic ability of the MWA-net was evaluated by comparing it with those of other deep learning models and endoscopists with varying degrees of expertise.

Results As a result, 5,159 images of the gastric antrum from 2,240 patients were used to train and test the MWA-net. Compared with the direct application of famous networks, the MWA-net achieved the best performance (accuracy, 92.13%) with an increase of 1.80% compared to that of ResNet. The suspicious lesions indicated by the network are consistent with the conclusion of experts. The sensitivity and specificity of the convolutional network for gastric atrophy diagnosis are 90.19% and 94.51%, respectively, which are higher than those of experts.

Conclusions Highly similar images of chronic atrophic gastritis can be identified by the proposed MWA-net, which has a better performance than other well-known networks. This work can further reduce the workload of gastroscopists, simplify the diagnostic process and provide medical assistance to more residents.

Zusammenfassung

Hintergrund und Studienziel Chronisch atrophische Gastritis spielt eine wichtige Rolle im Verlauf von Magenkrebs. Deep Learning wird sukzessive im medizinischen Bereich eingeführt. Die Frage, wie ein Convolutional Neural Network (CNN) besser zur Diagnose der chronisch atrophischen Gastritis angewendet werden kann, bleibt nach wie vor ein Forschungsschwerpunkt. Diese Studie wurde entwickelt, um die Leistung von CNN bei der Diagnose von chronisch atrophischer Gastritis zu verbessern, indem eine Netzwerkstruktur basierend auf den Eigenschaften gastroskopischer Bilder konstruiert und bewertet wird.

Methoden 3 Endoskopiker überprüften die endoskopischen Bilder der Magenhöhle aus der Gastroskopie-Bilddatenbank des Zhongnan-Krankenhauses und markierten die verfügbaren Bilder entsprechend den pathologischen Ergebnissen. 2 kürzlich vorgeschlagene neue Module wurden eingeführt, um das „Multi-Scale with Attention Net“ (MWA-net) unter Berücksichtigung der Merkmale ähnlicher medizinischer Bilder zu konstruieren. Nach dem Training des Netzwerks mit Bildern von Trainingssets wurde die diagnostische Fähigkeit des MWA-Netzes durch Vergleich mit anderen Deep-Learning-Modellen und Endoskopikern mit unterschiedlichem Fachwissen bewertet.

Ergebnisse Infolgedessen wurden 5.159 Bilder des Magenantrums von 2.240 Patienten verwendet, um das MWA-net zu trainieren und zu testen. Im Vergleich zur direkten Anwendung bekannter Netzwerke erzielte das MWA-net die beste Leistung (Genauigkeit 92,13%) mit einer Steigerung von 1,80% im Vergleich zu ResNet. Die vom Netzwerk angezeigten verdächtigen Läsionen stimmen mit den Schlussfolgerungen der Experten überein. Die Sensitivität und Spezifität des CNN für die Diagnose von Magenatrophie betragen 90,19% bzw. 94,51% und liegen damit höher als die der Experten.

Schlussfolgerungen Hochgradig ähnliche Bilder einer chronisch atrophischen Gastritis können durch das vorgeschlagene MWA-net identifiziert werden, das eine bessere Leistung als andere bekannte Netzwerke aufweist. Diese Arbeit kann die Arbeitsbelastung von Gastroskopikern weiter reduzieren, den Diagnoseprozess vereinfachen und mehr medizinische Hilfe für Niedergelassene zur Verfügung stellen.

Schlüsselwörter

Deep Learning - chronisch atrophische Gastritis - Convolutional Neural Network - Aufmerksamkeit - Multiskala

Keywords

deep learning - chronic atrophic gastritis - convolutional neural network - attention - multi-scale

Publikationsverlauf

Eingereicht: 30. August 2021

Angenommen nach Revision: 15. April 2022

Artikel online veröffentlicht:
13. Juni 2022

• References

• 1 Cao W, Chen HD, Yu YW. et al. Changing profiles of cancer burden worldwide and in China: a secondary analysis of the global cancer statistics 2020. Chin Med J (Engl) 2021; 134: 783-791
• 2 Bray F, Ferlay J, Soerjomataram I. et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 2018; 68: 394-424
• 3 Wang SM, Zheng RS, Shang SW. et al. Epidemiological characteristics of gastric cancer in China, 2015. Zhonghua Liu Xing Bing Xue Za Zhi 2019; 40: 1517-1521
• 4 Uemura N, Okamoto S, Yamamoto S. et al. Helicobacter pylori infection and the development of gastric cancer. N Engl J Med 2001; 345: 784-789
• 5 Hwang YJ, Kim N, Lee HS. et al. Reversibility of atrophic gastritis and intestinal metaplasia after Helicobacter pylori eradication – a prospective study for up to 10 years. Aliment Pharmacol Ther 2018; 47: 380-390
• 6 Liu T, Sheng H, Gong W. et al. The accuracy of confocal laser endomicroscopy, narrow band imaging, and chromoendoscopy for the detection of atrophic gastritis. J Clin Gastroenterol 2015; 49: 379-386
• 7 Imaeda A. Confocal laser endomicroscopy for the detection of atrophic gastritis: a new application for confocal endomicroscopy?. J Clin Gastroenterol 2015; 49: 355-3557
• 8 Menon S, Trudgill N. How commonly is upper gastrointestinal cancer missed at endoscopy? A meta-analysis. Endosc Int Open 2014; 2: E46-E50
• 9 Erickson BJ, Korfiatis P, Akkus Z. et al. Machine Learning for Medical Imaging. Radiographics 2017; 37: 505-515
• 10 Ren S, He K, Girshik R. et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Trans Pattern Anal Mach Intell 2017; 39: 1137-1149
• 11 Chen LCE, Zhu YK, Papandreou G. et al. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. Computer Vision – Eccv 2018; 11211: 833-851
• 12 Goncalves WGE, Dos Santos MHP, Lobato FMF. et al. Deep learning in gastric tissue diseases: a systematic review. BMJ Open Gastroenterol 2020; 7 (01) e000371
• 13 Lin TY, Dollar P, Girshick R. et al. Feature Pyramid Networks for Object Detection. 30th Ieee Conference on Computer Vision and Pattern Recognition (Cvpr 2017) 2017; 936-944
• 14 Gao SH, Cheng MM, Zhao K. et al. Res2Net: A New Multi-Scale Backbone Architecture. Ieee Transactions on Pattern Analysis and Machine Intelligence 2021; 43: 652-662
• 15 Xie Q, Li DW, Yu H. et al. Detecting Trees in Street Images via Deep Learning With Attention Module. Ieee Transactions on Instrumentation and Measurement 2020; 69: 5395-5406
• 16 Woo SH, Park J, Lee JY. et al. CBAM: Convolutional Block Attention Module. Computer Vision – Eccv 2018; 11211: 3-19
• 17 Paszke A, Gross S, Massa F. et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems 32 (Nips 2019) 2019; 32
• 18 Oquab M, Bottou L, Laptev I. et al. Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks. Ieee Conference on Computer Vision and Pattern Recognition (Cvpr) 2014; 1717-1724
• 19 Pedregosa F, Varoquaux G, Gramfort A. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research 2011; 12: 2825-2830
• 20 Harris CR, Millman KJ, van der Walt SJ. et al. Array programming with NumPy. Nature 2020; 585: 357-362
• 21 McKinney W. Python for data analysis: data wrangling with pandas, NumPy, and IPython. 2018
• 22 He KM, Zhang XY, Ren SQ. et al. Deep Residual Learning for Image Recognition. 2016 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr) 2016; 770-778
• 23 Huang G, Lis Z, van der Maaten L. et al. Densely Connected Convolutional Networks. 30th Ieee Conference on Computer Vision and Pattern Recognition (Cvpr 2017) 2017; 2261-2269
• 24 Szegedy C, Vanhoucke V, Ioffe S. et al. Rethinking the Inception Architecture for Computer Vision. 2016 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr) 2016; 2818-2826
• 25 Luo H, Xu G, Li C. et al. Real-time artificial intelligence for detection of upper gastrointestinal cancer by endoscopy: a multicentre, case-control, diagnostic study. Lancet Oncol 2019; 20 (12) 1645-1654
• 26 Zhang Y, Li F, Yuan F. et al. Diagnosing chronic atrophic gastritis by gastroscopy using artificial intelligence. Dig Liver Dis 2020; 52 (05) 566-572
• 27 Shichijo S, Nomura S, Aoyama K. et al. Application of Convolutional Neural Networks in the Diagnosis of Helicobacter pylori Infection Based on Endoscopic Images. EBioMedicine 2017; 25: 106-111