用于分割胸部X光片中结核一致性表现的深度集成学习
图像与视频处理
2022-06-14 v1 计算机视觉与模式识别
摘要
利用深度学习(DL)方法自动分割胸部X光片(CXRs)中的结核(TB)一致性病灶，有助于减轻放射科医生的工作负担、辅助临床决策，并可能改善患者治疗。文献中多数工作讨论使用粗粒度边界框标注训练自动分割模型。然而，边界框标注的粒度可能导致在像素层面包含相当比例的假阳性和假阴性，从而对整体语义分割性能产生不利影响。本研究(i)评估了使用细粒度TB一致性病灶标注的益处，(ii)训练并构建了多种U-Net模型变体的集成，用于在原始和抑骨正位CXRs中语义分割TB一致性病灶。我们使用多种集成方法（如按位与、按位或、按位最大值和堆叠）评估分割性能。我们观察到，堆叠集成展现出优于单个组成模型及其他集成方法的分割性能（Dice分数：0.5743，95%置信区间：(0.4055,0.7431)）。据我们所知，这是首项应用集成学习来改善细粒度TB一致性病灶分割性能的研究。
引用
@article{arxiv.2206.06065,
title = {Deep ensemble learning for segmenting tuberculosis-consistent manifestations in chest radiographs},
author = {Sivaramakrishnan Rajaraman and Feng Yang and Ghada Zamzmi and Peng Guo and Zhiyun Xue and Sameer K Antani},
journal= {arXiv preprint arXiv:2206.06065},
year = {2022}
}
备注
13 pages, 6 figures