基于深度学习的工作流用于胸片肺结节检测
图像与视频处理
2022-03-14 v4 计算机视觉与模式识别
摘要
目的：本研究旨在开发一种基于深度学习的工具，通过胸部 X 光片（CXRs）检测和定位肺结节。我们期望其能提升 CXR 解读效率并降低肺癌延迟诊断的可能性。材料与方法：我们收集来自 NCKUH 数据库和开源医学图像数据集 VBD 的 CXR 作为训练与验证数据。来自卫生福利部（MOHW）数据库的若干 CXR 作为测试数据。我们构建了一个分割模型以从 CXR 中识别肺部区域，并将其切分为 16 个图块。医师通过点击图块对 CXR 进行标注。这些标注图块随后用于训练并微调一个深度神经网络（DNN）模型，将图块分类为正或负。最后，我们使用来自 MOHW 的 CXR 肺图块测试该 DNN 模型。结果：我们的分割模型能从整张 CXR 中良好识别肺部区域。真实标注与分割结果之间的交并比（IoU）为 0.9228。此外，我们的 DNN 模型在 125 例中的 98 例取得了 0.81 的灵敏度、0.82 的特异度以及 0.869 的 AUROC。对于其余 27 例困难病例，灵敏度为 0.54，特异度为 0.494，AUROC 为 0.682。总体上，我们获得了 0.78 的灵敏度、0.79 的特异度以及 0.837 的 AUROC。结论：我们的两步工作流在 CXR 肺结节定位的灵敏度与特异度上可与最先进算法相媲美。值得注意的是，我们的工作流为专家标注数据提供了高效途径，由于标注医学图像数据相对稀少，这对相关研究颇具价值。
引用
@article{arxiv.2112.10184,
title = {A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph},
author = {Yang Tai and Yu-Wen Fang and Fang-Yi Su and Jung-Hsien Chiang},
journal= {arXiv preprint arXiv:2112.10184},
year = {2022}
}