利用深度卷积神经网络学习自动诊断儿科胸部X线片中的多种疾病
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
摘要
儿科患者的胸部X线片（CXR）判读易出错，且需要较高水平的放射学专业知识。近来，深度卷积神经网络（D-CNNs）在成人CXR判读中表现出卓越性能。然而，缺乏证据表明D-CNNs能准确识别儿科CXR扫描中的多种肺部病变。特别地，用于检测儿科胸部疾病的诊断模型开发面临显著挑战，如（i）缺乏医师标注数据集与（ii）类别不平衡问题。本文回顾性收集了5,017张儿科CXR扫描的大数据集，每张均由经验丰富的放射科医师手动标注10种常见病变的存在与否。随后在3,550张标注扫描上训练D-CNN模型以自动分类多种儿科肺部病变。为解决高度类别不平衡问题，我们提出改进并应用“分布平衡损失”训练D-CNNs，该损失重塑标准二值交叉熵损失（BCE），通过对多数类所分配损失降权来高效学习更难样本。在777项研究的独立测试集上，所提方法获得受试者工作特征曲线下面积（AUC）为0.709（95% CI，0.690-0.729）。截断值处的灵敏度、特异性和F1分数分别为0.722（0.694-0.750）、0.579（0.563-0.595）和0.389（0.373-0.405）。这些结果在大多数目标疾病上显著优于先前最先进方法。此外，我们的消融研究验证了所提损失函数相对于其他标准损失（如BCE和Focal Loss）在该学习任务中的有效性。总体而言，我们展示了D-CNNs在判读儿科CXR中的潜力。
引用
@article{arxiv.2108.06486,
title = {Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest Radiographs Using Deep Convolutional Neural Networks},
author = {Thanh T. Tran and Hieu H. Pham and Thang V. Nguyen and Tung T. Le and Hieu T. Nguyen and Ha Q. Nguyen},
journal= {arXiv preprint arXiv:2108.06486},
year = {2021}
}
备注
This is a preprint of our paper which was accepted for publication to ICCV Workshop 2021