使用深度卷积神经网络进行胸部 X 射线异常检测与定位

胸部 X 射线 (CXR) 被广泛用于诊断心脏和肺部区域的异常。高精度地自动检测这些异常可以极大地增强现实世界的诊断过程。然而，由于缺乏标准公开数据集和基准研究，很难比较各种检测方法。为了克服这些困难，我们使用了公开可用的 Indiana CXR、JSRT 和 Shenzhen 数据集，并研究了已知的深度卷积网络 (DCN) 架构在不同异常上的性能。我们发现相同的 DCN 架构并非在所有异常上都表现良好。与深度特征相比，浅层特征或较早期的层持续提供更高的检测精度。我们还发现，与单一模型相比，集成模型显著提高了分类性能。结合这些见解，我们在这些数据集上报告了胸部 X 射线异常检测的最高准确率。我们发现，对于心脏肥大检测，与基于规则的方法相比，深度学习方法将准确率惊人地提高了 17 个百分点。我们将这些技术应用于不同数据集上的结核病检测问题，并获得了最高准确率。我们使用这些训练好的分类器进行的定位实验表明，对于心脏肥大和肺水肿等空间分布广泛的异常，网络在大多数情况下能够成功定位异常。心脏肥大定位的一个显著结果是，心脏及其周围区域对心脏肥大检测最为关键，这与基于规则的模型中使用心脏与肺部面积比作为度量标准形成对比。我们相信，通过基于深度学习的分类和定位，我们将在医学图像诊断中发现更多传统上未被考虑的有趣特征。