基于深度学习的新生儿放射图像中多种导管自动分类
计算机视觉与模式识别
2020-11-17 v1 人工智能
机器学习
摘要
我们开发并评估了一种深度学习算法，用于在新生儿胸部和腹部放射图像上分类多种导管。使用包含777张新生儿胸部和腹部放射图像的数据集训练卷积神经网络（CNN），分别按81%-9%-10%划分为训练-验证-测试集。我们采用了在ImageNet上预训练的ResNet-50（一种CNN）。真值标注仅限于标记每张图像以指示气管插管（ETTs）、鼻胃管（NGTs）和脐动脉及静脉导管（UACs、UVCs）的存在或缺失。数据集包括561张含2种或更多导管的图像、167张仅含一种的图像以及49张不含的图像。性能通过平均精度（AP）衡量，由精度-召回曲线下面积计算。在测试数据上，该算法对NGTs、ETTs、UACs和UVCs的总体AP（95%置信区间）分别为0.977（0.679-0.999）、0.989（0.751-1.000）、0.979（0.873-0.997）和0.937（0.785-0.984）。对于由58张含2种或更多导管的测试图像组成的集合，性能相似，其NGTs、ETTs、UACs和UVCs的AP分别为0.975（0.255-1.000）、0.997（0.009-1.000）、0.981（0.797-0.998）和0.937（0.689-0.990）。因此，我们的网络在这四类导管类型的同步检测中取得了强劲性能。放射科医生可使用此类算法作为节省时间的机制，自动生成放射图像中导管的报告。
引用
@article{arxiv.2011.07394,
title = {Automatic classification of multiple catheters in neonatal radiographs with deep learning},
author = {Robert D. E. Henderson and Xin Yi and Scott J. Adams and Paul Babyn},
journal= {arXiv preprint arXiv:2011.07394},
year = {2020}
}
备注
10 pages, 5 figures (+1 suppl.), 2 tables (+2 suppl.). Submitted to Journal of Digital Imaging