用于改善结核一致性征象分类的胸部 X 光骨抑制

胸部 X 光是检测心肺异常最常用的诊断检查。然而，肋骨和锁骨等骨性结构的存在会遮挡细微异常，导致诊断错误。本研究旨在构建一种基于深度学习的骨抑制模型，用于识别并去除正位胸片（CXR）中这些遮挡性的骨性结构，以协助减少包括深度学习（DL）工作流在内的放射学解读中涉及检测与结核病（TB）表现一致征象的错误。使用所提出的组合损失函数训练并优化了多种具有不同深度架构的骨抑制模型，并在跨机构测试设置中评估其性能。性能最佳的模型被用于抑制公开可用的深圳和蒙哥马利 TB CXR 数据集中的骨骼。一个 VGG-16 模型在大量公开可用的 CXR 上进行了预训练。随后，该 CXR 预训练模型分别在深圳和蒙哥马利 TB CXR 数据集的非骨抑制与骨抑制 CXR 上单独微调，以将其分类为显示正常肺部或 TB 表现。使用若干性能指标比较这些模型的性能，分析统计显著性，并通过类选择性相关性图对其预测进行定性解释。观察到在骨抑制 CXR 上训练的模型显著优于（p<0.05）在非骨抑制 CXR 上训练的模型。在骨抑制 CXR 上训练的模型改善了对 TB 一致性征象的检测，并导致特征空间中数据点紧凑聚类，表明骨抑制提高了模型对 TB 分类的灵敏度。