基于深度学习在重度异常胸片中进行肺分割
图像与视频处理
2021-03-09 v1 计算机视觉与模式识别
摘要
目的与背景：已有若干研究评估了深度学习在使用具有轻度或中度异常表现的胸部 X 线（CXR）图像进行肺分割中的效用。在此，我们构建了一个包含重度异常 CXR 图像及专家肺分割结果的数据库，旨在评估我们的网络从这些图像中进行肺分割的效果。材料与方法：对于肺分割，纳入了来自日本放射技术学会（JSRT，N = 247）和 Montgomery 数据库（N = 138）的 CXR 图像，并由放射科医生对来自公共数据库的 65 张额外重度异常图像进行评注，从而为其添加肺分割结果。使用基线 U-net 对三个数据库中的图像进行肺分割。随后，利用贝叶斯优化自动优化 U-net 网络结构以用于从 CXR 图像中进行肺分割。计算 Dice 相似系数（DSC）以确认分割效果。结果：我们的结果表明，使用基线 U-net 在我们的数据库中得到的肺分割结果劣于 JSRT 和 Montgomery 数据库，意味着由于重度异常，稳健的肺分割可能较为困难。基线 U-net 在 JSRT、Montgomery 和我们数据库上的 DSC 值分别为 0.979、0.941 和 0.889，优化后 U-net 分别为 0.976、0.973 和 0.932。结论：为实现稳健的肺分割，通过贝叶斯优化对 U-net 结构进行了优化，我们的结果表明优化后的 U-net 在具有大面积异常的 CXR 图像肺分割中比基线 U-net 更稳健。
引用
@article{arxiv.1908.07704,
title = {Lung segmentation on chest x-ray images in patients with severe abnormal findings using deep learning},
author = {Mizuho Nishio and Koji Fujimoto and Kaori Togashi},
journal= {arXiv preprint arXiv:1908.07704},
year = {2021}
}