利用位置感知密集网络学习识别胸部X光片中的异常
计算机视觉与模式识别
2018-03-14 v1 人工智能
摘要
胸部X光片是用于评估多种病症的最常见医学影像检查。自动化算法与工具有潜力支持阅片流程、提高效率并减少阅片错误。随着大规模数据集的可用，已有若干方法被提出用于对胸部X光片图像上的病症进行分类。然而，大多数方法基于随机的基于图像的数据划分来报告性能，忽略了同一患者同时出现在训练集与测试集中的高概率。此外，大多数方法未能显式地纳入异常的空间信息或利用高分辨率图像。我们提出了一种基于位置感知密集网络（DNetLoc）的新方法，借此同时纳入高分辨率图像数据与空间信息用于异常分类。我们在学界报道的最大数据集上评估了我们的方法，该数据集共包含86,876名患者与297,541张胸部X光片图像。我们实现了（i）在单一基准数据集（ChestX-Ray14）上已发布的训练与测试划分的最佳平均AUC分数，以及（ii）在显式使用病症位置信息时得到提升的AUC分数。为促进未来研究，我们展示了当前基准设置的限制，并为所用数据集提供了新的参考性的按患者划分方式。这可支持在最大公开可用数据集上对未来方法进行一致且有意义的基准评测。
引用
@article{arxiv.1803.04565,
title = {Learning to recognize Abnormalities in Chest X-Rays with Location-Aware Dense Networks},
author = {Sebastian Guendel and Sasa Grbic and Bogdan Georgescu and Kevin Zhou and Ludwig Ritschl and Andreas Meier and Dorin Comaniciu},
journal= {arXiv preprint arXiv:1803.04565},
year = {2018}
}