BS-Net：在大型胸部 X 射线数据集上学习 COVID-19 肺炎严重程度
图像与视频处理
2021-04-06 v3 计算机视觉与模式识别
机器学习
摘要
在本工作中，我们设计了一种端到端深度学习架构，用于在胸部 X 射线图像（CXR）上预测传达 COVID-19 患者肺部受损程度的多区域评分。该半定量评分系统，即 Brixia~score，在意大利疫情高峰最严重医院之一中对这类患者进行连续监测，显示出显著的预后价值。为解决这一具有挑战性的视觉任务，我们采用弱监督学习策略，结构化以处理不同任务（分割、空间对齐和评分估计），并通过涉及不同数据集的“从局部到整体”流程进行训练。特别地，我们利用在同一医院收集的近 5000 张标注 CXR 的临床数据集。我们的 BS-Net 在所有处理阶段表现出自注意力行为和高精度。通过评分者间一致性检验和金标准比较，我们表明我们的解决方案在评分准确性和一致性上优于单个人类标注者，从而支持在计算机辅助监测环境中使用该工具的可能性。我们还通过一种原创技术生成高分辨率（超像素级）可解释性图，以直观辅助理解网络在肺部区域的活动。我们也考虑了文献中提出的其他评分，并与最近提出的非特定方法进行比较。我们最终在一个多样化的公共 COVID-19 数据集上测试了模型的性能鲁棒性，为此我们也提供了 Brixia~score 标注，观察到良好的直接泛化与微调能力，凸显了 BS-Net 在其他临床环境中的可移植性。该 CXR 数据集连同源代码和训练好的模型已公开发布以供研究之用。
引用
@article{arxiv.2006.04603,
title = {BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset},
author = {Alberto Signoroni and Mattia Savardi and Sergio Benini and Nicola Adami and Riccardo Leonardi and Paolo Gibellini and Filippo Vaccher and Marco Ravanelli and Andrea Borghesi and Roberto Maroldi and Davide Farina},
journal= {arXiv preprint arXiv:2006.04603},
year = {2021}
}
备注
28 pages, 11 figures, preprint of accepted paper to Medical Image Analysis, Project page with Code and Dataset Available at https://brixia.github.io/