利用深度学习量化胸片中的肺水肿
图像与视频处理
2021-01-08 v2 计算机视觉与模式识别
摘要
目的：开发一种机器学习模型对胸片中肺水肿的严重程度分级进行分类。材料与方法：在这项回顾性研究中，纳入了来自 MIMIC-CXR 胸片数据集的 64,581 名患者（平均年龄 51.71；54.51% 为女性）的 369,071 张胸片和关联的放射学报告。该数据集被划分为患有和不患有充血性心力衰竭（CHF）的患者。从 CHF 患者的关联放射学报告中提取肺水肿严重程度标签，分为四个有序等级：0，无水肿；1，肺淤血；2，间质性水肿；3，肺泡性水肿。使用两种方法开发深度学习模型：采用变分自编码器的半监督模型，以及采用密集神经网络的预训练监督学习模型。对两个模型均进行了受试者工作特征曲线分析。结果：区分肺泡性水肿与无水肿的受试者工作特征曲线下面积（AUC）在半监督模型中为 0.99，在预训练模型中为 0.87。算法性能与对较轻肺水肿状态分类的难度呈负相关（以下依次为半监督模型与预训练模型的 AUC）：2 versus 0，0.88 和 0.81；1 versus 0，0.79 和 0.66；3 versus 1，0.93 和 0.82；2 versus 1，0.69 和 0.73；以及 3 versus 2，0.88 和 0.63。结论：深度学习模型在大型胸片数据集上训练，能够以高性能对胸片中肺水肿的严重程度进行分级。
引用
@article{arxiv.2008.05975,
title = {Deep Learning to Quantify Pulmonary Edema in Chest Radiographs},
author = {Steven Horng and Ruizhi Liao and Xin Wang and Sandeep Dalal and Polina Golland and Seth J Berkowitz},
journal= {arXiv preprint arXiv:2008.05975},
year = {2021}
}
备注
The two first authors contributed equally