DICOM影像路由器：用于DICOM X射线扫描中身体部位分类的开放深度学习框架
图像与视频处理
2021-08-29 v2 计算机视觉与模式识别
摘要
DICOM格式的X射线成像是临床实践中最常用的成像方式，导致庞大且未规范化的数据库。这为部署用于分析医学图像的AI解决方案造成障碍，后者通常需在将图像输入指定AI模型前识别正确身体部位。该挑战引发了对从X射线扫描中分类身体部位的自动化高效方法的需求。遗憾的是，据我们所知，迄今尚无针对此任务的开放工具或框架。为填补此空白，我们引入DICOM影像路由器，其部署深度CNN将未知DICOM X射线图像分类为五组解剖部位：腹部、成人胸部、儿科胸部、脊柱及其他。为此，收集并手动分类了由16,093张图像组成的大规模X射线数据集。随后使用11,263张图像的训练集训练了一系列最先进的深度CNN。这些网络在2,419张图像的独立测试集上评估，在身体部位分类中表现出优越性能。具体而言，我们性能最佳的模型实现了0.982的召回率（95% CI，0.977-0.988）、0.985的精确率（95% CI，0.975-0.989）和0.981的F1分数（95% CI，0.976-0.987），且推理计算需求更低（每张图像0.0295秒）。我们在1,000张X射线图像上的外部有效性显示了所提方法跨医院的鲁棒性。这些卓越性能表明深度CNN能准确有效地从X射线扫描中区分人体部位，从而为临床环境中的广泛应用提供潜在益处。本研究的数据集、代码和训练好的深度学习模型将在我们的项目网站 https://vindr.ai/ 公开提供。
引用
@article{arxiv.2108.06490,
title = {DICOM Imaging Router: An Open Deep Learning Framework for Classification of Body Parts from DICOM X-ray Scans},
author = {Hieu H. Pham and Dung V. Do and Ha Q. Nguyen},
journal= {arXiv preprint arXiv:2108.06490},
year = {2021}
}
备注
This is a preprint of our paper, which was accepted for publication to ICCV Workshop 2021