基于混合 CNN-Transformer 架构的胸部 X 光影像中胸腔疾病计算机辅助诊断
图像与视频处理
2024-04-22 v2 计算机视觉与模式识别
机器学习
摘要
医学影像已被用于诊断各种疾病，因而成为有效患者护理最强大资源之一。由于其广泛可用、低成本和低辐射，胸部 X 光是诊断各种胸腔疾病最受青睐的放射学检查。鉴于医学影像技术的进步以及患者负荷的增加，当前的放射学工作流程面临各种挑战，包括检查量积压、长时间工作以及诊断错误增加。一种能够解读胸部 X 光并为放射科医生提供可操作性见解的自动化计算机辅助诊断系统，可能为放射科医生提供第二意见，突出显示图像中的相关区域，从而加快临床工作流程，减少诊断错误并提高患者护理。本研究应用了一种新型架构，将 DenseNet121 卷积神经网络（CNN）与多头自注意力机制集成（即 SA-DenseNet121），用于在胸部 X 光影像中识别多种胸腔疾病。我们在四大最大胸部 X 光数据集上进行了实验，包括 ChestX-ray14、CheXpert、MIMIC-CXR-JPG 和 IU-CXR。以受试者工作特征曲线下面积（AUC-ROC）为指标的实验结果表明，增强 CNN 的自注意力机制在从胸部 X 光影像中诊断不同胸腔疾病方面具有潜力。该提出的方法有望支持阅读工作流程，提高效率并减少诊断错误。
引用
@article{arxiv.2404.11843,
title = {Computer-Aided Diagnosis of Thoracic Diseases in Chest X-rays using hybrid CNN-Transformer Architecture},
author = {Sonit Singh},
journal= {arXiv preprint arXiv:2404.11843},
year = {2024}
}
备注
24 pages, 13 Figures, 13 Tables. This article heavily draws from arXiv:1904.09925 where authors originally proposed attention-augmented convolutional network. arXiv admin note: text overlap with arXiv:1904.09925 by other authors