用于胸部X射线图像中肺水肿量化的半监督学习
计算机视觉与模式识别
2019-04-11 v3
摘要
我们提出并演示了机器学习算法，用于评估充血性心力衰竭患者胸部X射线图像中肺水肿的严重程度。在做出治疗和处置决策时，准确评估心力衰竭中的肺水肿至关重要。我们的工作基于一个大规模临床数据集，包含超过300,000张X射线图像及相关的放射学报告。虽然肺水肿严重程度标签可以明确地从一小部分放射学报告中提取，但在大多数情况下准确标注具有挑战性。为了利用未标注图像，我们开发了一个贝叶斯模型，该模型包含一个变分自编码器，用于从整个图像集中学习潜在表示，并与一个利用该表示预测肺水肿严重程度的回归器联合训练。我们的实验结果表明，与严格的监督方法相比，对图像分布与有限标签联合建模提高了肺水肿评分的准确性。据我们所知，这是首次尝试采用机器学习算法自动且定量地评估胸部X射线图像中肺水肿的严重程度。
引用
@article{arxiv.1902.10785,
title = {Semi-supervised Learning for Quantification of Pulmonary Edema in Chest X-Ray Images},
author = {Ruizhi Liao and Jonathan Rubin and Grace Lam and Seth Berkowitz and Sandeep Dalal and William Wells and Steven Horng and Polina Golland},
journal= {arXiv preprint arXiv:1902.10785},
year = {2019}
}