胸部X光自动分诊：一种面向临床部署的语义学方法，通过四种深度学习架构的组合利用不同类型标签
图像与视频处理
2020-12-24 v1 计算机视觉与模式识别
摘要
背景与目标：近年来发布的多个胸部X光数据集带有面向不同计算机视觉任务的真值标签，这表明若采用能利用多种类型标注的方法，自动化胸部X光判读的性能或可提升。本工作提出一种基于不同卷积架构后期融合的深度学习方法，可用简单实现以异质数据训练，并在独立测试数据上评估其性能。我们致力于获得可成功整合进医院工作流的临床实用工具。材料与方法：基于专家意见，我们选定四种目标胸部X光征象，即肺不透光影、骨折、气胸和胸腔积液。针对每种征象我们定义了最适当的真值标签类型，并构建四个训练数据集，结合公开胸部X光数据集与我们的机构档案图像。我们训练四种不同的深度学习架构，并以后期融合策略组合其输出，得到统一工具。性能在两个测试数据集上衡量：一个外部开放可用数据集，以及一个回顾性机构数据集，以估计在本地人群上的性能。结果：外部与本地测试集分别有4376和1064张图像，模型在异常胸部X光检测中的受试者工作特征曲线下面积分别为0.75（95%CI：0.74-0.76）和0.87（95%CI：0.86-0.89）。在本地人群中，灵敏度为86%（95%CI：84-90），特异度为88%（95%CI：86-90），各人口学亚组间无显著差异。我们给出热力图示例以展示所达到的可解释性水平，并检视真阳性与假阳性。
引用
@article{arxiv.2012.12712,
title = {Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures},
author = {Candelaria Mosquera and Facundo Nahuel Diaz and Fernando Binder and Jose Martin Rabellino and Sonia Elizabeth Benitez and Alejandro Daniel Beresñak and Alberto Seehaus and Gabriel Ducrey and Jorge Alberto Ocantos and Daniel Roberto Luna},
journal= {arXiv preprint arXiv:2012.12712},
year = {2020}
}