用于无导线植入式电子设备胸片人工智能辅助检测与分类的级联神经网络方法
摘要
背景与目的：胸片 X 线（CXR）常用于无导线植入式电子设备（LLIEDs）的 MRI 前安全筛查，此类设备在正位视图（通常仅采集此视图）上易被忽略或误认。尽管大多数 LLIED 类型为“MRI 条件性”：1. 部分条件极为严格；2. 不同条件类型有特定的患者或设备管理要求；3. 某些特定类型为“MRI 不安全”。本工作致力于开发 CXR 解读辅助人工智能（AI）方法，实现：1. LLIED 存在/定位的 100% 检测；2. LLIED 分型的高分类准确率。材料与方法：数据挖掘（1993年3月–2021年2月）产生 AI 模型开发人群（1,100 名患者/4,871 张图像），生成 4,924 个 LLIED 感兴趣区域（ROIs）（含图像质量分级），用于训练、验证与测试。为开发级联神经网络（通过 Faster R-CNN 检测、通过 Inception V3 分类），“金标准”CXR 标注（按 LLIED 标注 ROI）及推理显示（以生成边界框（GBBs）形式）均基于 GPU 的图形用户界面完成。结果：为实现 100% LLIED 检测，模型 1 需将概率阈值降至 0.00002，导致每个 LLIED 相关 ROI 的 GBB 增多。在检测所有 LLIED 后进行 LLIED 类型分类，模型 2 进行多类分类以达到高性能，同时减少假阳性 GBB。尽管 24% 的 ROI 图像质量欠佳，分类正确率达 98.9%，9 类 LLIED 的 AUC 中 8 类为 1.00、1 类为 0.92。所有误分类案例中：1. 无一涉及严格条件性或不安全 LLIED；2. 多数归因于图像质量欠佳。结论：本项目成功开发了 LLIED 相关 AI 方法，支持：1. 100% 检测；2. 通常 100% 类型分类。
引用
@article{arxiv.2108.11954,
title = {Cascading Neural Network Methodology for Artificial Intelligence-Assisted Radiographic Detection and Classification of Lead-Less Implanted Electronic Devices within the Chest},
author = {Mutlu Demirer and Richard D. White and Vikash Gupta and Ronnie A. Sebro and Barbaros S. Erdal},
journal= {arXiv preprint arXiv:2108.11954},
year = {2022}
}
备注
23 pages, 4 figures