使用可扩展噪声注入框架评估射线照相噪声对胸部X光语义分割与疾病分类的影响
图像与视频处理
2025-10-15 v2 机器学习
摘要
深度学习模型越来越多地用于射线照相分析，但其可靠性受到临床成像中固有随机噪声的挑战。目前缺乏对不同噪声类型如何影响这些模型的系统性、跨任务理解。在此，我们评估了SOTA卷积神经网络（CNN）在两项关键胸部X光任务（语义分割和肺部疾病分类）中对模拟量子（泊松）噪声和电子（高斯）噪声的鲁棒性。使用一种新颖的可扩展噪声注入框架，我们在公共数据集（Landmark，ChestX-ray14）上对常见架构（UNet，DeepLabV3，FPN；ResNet，DenseNet，EfficientNet）施加了受控的、临床动机驱动的噪声严重程度。我们的结果揭示了任务鲁棒性上的鲜明二分法。语义分割模型表现出极高的脆弱性，肺部分割性能在严重的电子噪声下崩溃（Dice相似系数下降0.843），意味着模型几乎完全失效。相比之下，分类任务表现出更强的整体弹性，但这种鲁棒性并不一致。我们发现了一种差异性脆弱性：某些任务，如区分气胸与肺不张，在量子噪声下灾难性地失败（AUROC下降0.355），而其他任务则更容易受电子噪声影响。这些发现表明，尽管分类模型具有一定程度的固有鲁棒性，但像素级分割任务要脆弱得多。模型失效的任务特异性和噪声特异性凸显了在诊断AI安全临床部署前，进行针对性验证和缓解策略的迫切需求。
引用
@article{arxiv.2509.25265,
title = {Evaluating the Impact of Radiographic Noise on Chest X-ray Semantic Segmentation and Disease Classification Using a Scalable Noise Injection Framework},
author = {Derek Jiu and Kiran Nijjer and Nishant Chinta and Ryan Bui and Kevin Zhu},
journal= {arXiv preprint arXiv:2509.25265},
year = {2025}
}
备注
Accepted to ARRS 2026 Annual Meeting