基于深度神经网络的胸部计算机断层扫描肺气肿亚型分类
图像与视频处理
2023-09-07 v1 计算机视觉与模式识别
机器学习
摘要
准确识别肺气肿亚型与严重程度对于慢性阻塞性肺疾病(COPD)的有效管理及疾病异质性研究至关重要。人工分析肺气肿亚型与严重程度费力且主观。为应对此挑战，我们提出一种基于深度学习的方法，用于自动化 Fleischner 协会的视觉评分系统，进行肺气肿亚型分类与严重程度分析。我们使用来自 COPDGene 研究的 9650 名受试者训练并评估了算法。我们的算法预测准确率达 52%，优于已发表方法的 45% 准确率。此外，我们的方法预测评分与视觉评分一致性良好，而先前方法仅获中等一致性。我们的方法采用回归训练策略生成分类标签，同时产生高分辨率局部激活图以可视化网络预测。借助这些密集激活图，我们的方法除分类严重程度评分外，还能计算每肺肺气肿累及百分比。此外，所提方法将其预测能力扩展至小叶中心型肺气肿之外，还包括间隔旁肺气肿亚型。
引用
@article{arxiv.2309.02576,
title = {Emphysema Subtyping on Thoracic Computed Tomography Scans using Deep Neural Networks},
author = {Weiyi Xie and Colin Jacobs and Jean-Paul Charbonnier and Dirk Jan Slebos and Bram van Ginneken},
journal= {arXiv preprint arXiv:2309.02576},
year = {2023}
}