深度成人肺分割模型在儿童人群中的泛化性：一项回顾性研究
图像与视频处理
2023-05-26 v2 计算机视觉与模式识别
摘要
在临床决策支持系统中，胸部X光片（CXR）的肺部分割是提高心肺疾病诊断特异性的重要前提。当前的深度学习肺分割模型是在CXR数据集上训练和评估的，这些数据集中的放射影像主要来自成人人群。然而，据报道，从婴儿期到成年期，肺部的形状在不同发育阶段存在显著差异。这可能导致与年龄相关的数据域偏移，当在成人人群上训练的模型用于儿童肺部分割时，会对分割性能产生不利影响。在这项工作中，我们的目标是（i）分析深度成人肺分割模型在儿童人群中的泛化性，以及（ii）通过一种分阶段的系统方法提高性能，该方法包括CXR模态特定的权重初始化、堆叠集成以及集成堆叠集成。为了评估分割性能和泛化性，除了多尺度结构相似性指数（MS-SSIM）、交并比（IoU）、Dice分数、95%豪斯多夫距离（HD95）和平均对称表面距离（ASSD）之外，还提出了新的评估指标，包括平均肺轮廓距离（MLCD）和平均哈希分数（AHS）。我们的结果表明，通过我们的方法，跨域泛化性有显著改善（p < 0.05）。这项研究可以作为分析其他医学成像模态和应用中深度分割模型跨域泛化性的范例。
引用
@article{arxiv.2211.02475,
title = {Generalizability of Deep Adult Lung Segmentation Models to the Pediatric Population: A Retrospective Study},
author = {Sivaramakrishnan Rajaraman and Feng Yang and Ghada Zamzmi and Zhiyun Xue and Sameer Antani},
journal= {arXiv preprint arXiv:2211.02475},
year = {2023}
}
备注
33 pages, 8 figures, and 8 tables