DeepRadiologyNet：在 CT 头部图像中实现放射科医生水平的病灶检测
计算机视觉与模式识别
2017-12-05 v3
摘要
我们描述了一种系统，可自动从计算机断层扫描（CT）头部扫描中筛选出具有临床意义的发现，其性能水平超过执业放射科医生。我们的系统名为 DeepRadiologyNet，建立在深度卷积神经网络（CNNs）之上，训练所用数据来自 2015 年 1 月 1 日至 2015 年 8 月 31 日以及 2016 年 1 月 1 日至 2016 年 4 月 30 日期间超过 80 个临床站点的 24,000 多项研究，共约 350 万张 CT 头部图像。在初始系统中，我们确定了需在 CT 扫描中识别的 30 个现象学特征。为测试该系统，我们设计了一项临床试验，使用超过 480 万张 CT 头部图像（29,925 项研究），与训练和验证集完全不相交，由 35 名具有 CT 头部专业经验的美国委员会认证放射科医生判读。我们测量了临床显著错误率，以确定 DeepRadiologyNet 的性能是否与美国委员会认证放射科医生相当或优于后者。DeepRadiologyNet 在自动筛选出的高置信度研究上取得了 0.0367% 的临床显著漏诊率。因此，DeepRadiologyNet 通过自动筛选研究并以远低于美国委员会认证放射科医生文字错误率（估计为 0.82%）的工作点报告高置信度研究，能够显著减少人类放射科医生的工作量。
引用
@article{arxiv.1711.09313,
title = {DeepRadiologyNet: Radiologist Level Pathology Detection in CT Head Images},
author = {Jameson Merkow and Robert Lufkin and Kim Nguyen and Stefano Soatto and Zhuowen Tu and Andrea Vedaldi},
journal= {arXiv preprint arXiv:1711.09313},
year = {2017}
}
备注
22 pages with references, 6 figures, 2 tables