弥合诊断鸿沟：利用经典计算机视觉与先进AI方法通过CTE扫描区分肠结核与克罗恩病
图像与视频处理
2024-10-25 v1 计算机视觉与模式识别
图形学
摘要
区分肠结核（ITB）和克罗恩病（CD）因其相似的症状、临床表现和影像学特征而构成重大的临床挑战。本研究利用计算机断层扫描小肠造影（CTE）、深度学习和传统计算机视觉来解决这一诊断难题。来自知名机构的放射科医生达成共识，认为内脏脂肪与皮下脂肪（VF/SF）比率是区分ITB和CD的替代生物标志物。针对此前的人工操作，我们提出了一种新颖的二维图像计算机视觉算法，用于自动分割皮下脂肪以自动化该比率的计算，从而提高诊断效率和客观性。作为基准，我们将结果与使用TotalSegmentator工具（一种流行的基于深度学习的解剖结构自动分割软件）获得的结果以及放射科医生的人工计算结果进行了比较。我们还展示了使用切片方法在三维CT体数据上的性能，并提供了该算法与TotalSegmentator工具的基准比较。此外，我们提出了一种评分方法，将放射学特征（如脂肪比率和肺结核概率）的评分整合为一个用于诊断的单一评分。我们在一个包含ITB、CD和正常患者样本的CTE扫描数据集上训练了一个ResNet10模型，达到了75%的准确率。为了增强可解释性并获得临床信任，我们将可解释人工智能技术Grad-CAM与ResNet10集成，以解释模型的预测。由于数据集规模较小（总共100例），在疾病诊断方面，放射科医生认为基于特征的评分系统比深度学习模型更可靠、更值得信赖。
引用
@article{arxiv.2410.18161,
title = {Bridging the Diagnostic Divide: Classical Computer Vision and Advanced AI methods for distinguishing ITB and CD through CTE Scans},
author = {Shashwat Gupta and L. Gokulnath and Akshan Aggarwal and Mahim Naz and Rajnikanth Yadav and Priyanka Bagade},
journal= {arXiv preprint arXiv:2410.18161},
year = {2024}
}
备注
9 pages, 3 figures, 3 algorithms