基于 bronchoscopy 图像的深学习驱动吸入伤害分级辅助工具
计算机视觉与模式识别
2025-05-16 v2 机器学习
摘要
吸入伤害在临床诊断和分级方面具有挑战，因传统分级方法如缩写损伤评分（AIS）主观且缺乏与机械通气时长和死亡率等临床参数的稳健关联。本研究引入新型深度学习诊断辅助工具，用于通过 bronchoscopy 图像对吸入伤害进行分级，以克服主观性差异并提高严重性评估的一致性。我们的做法利用数据增强技术，包括图形变换、Contrastive Unpaired Translation (CUT) 和 CycleGAN，以解决医学影像数据稀缺问题。我们评估了两种深度学习模型（GoogLeNet和Vision Transformer (ViT)）在经这些增强方法显著扩充后数据集上的分类性能。结果表明，GoogLeNet结合CUT在通过 bronchoscopy 图像分级吸入伤害方面最为有效，分类准确率达97.8%。直方图和频率分析评估揭示CUT数据增强引起的分布变化及频谱中纹理细节的变动。PCA可视化表明，CUT显著提升了特征空间中各类的可分离性。此外，Grad-CAM分析提供了决策过程的洞察；CUT热力图平均强度为119.6，显著高于原始数据集的98.8。我们提出的工具将机械通气时长作为新的分级标准，为综合诊断提供支持。
引用
@article{arxiv.2505.08517,
title = {A Deep Learning-Driven Inhalation Injury Grading Assistant Using Bronchoscopy Images},
author = {Yifan Li and Alan W Pang and Jo Woon Chong},
journal= {arXiv preprint arXiv:2505.08517},
year = {2025}
}