深度学习模型在胸片上检测气腹的灵敏度与特异度评估
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
背景：深度学习在协助检测和分诊医学图像中的危急发现（如气腹）方面具有巨大潜力。要在临床上发挥作用，该技术的性能仍需针对不同成像系统的泛化能力进行验证。材料与方法：本回顾性研究纳入 2011 至 2019 年间在 13 家不同医院接受初次胸部放射摄影的 1,287 张患者胸片图像。胸片图像由四位放射科专家独立标注为气腹阳性或阴性。最先进的深度学习模型（ResNet101、InceptionV3、DenseNet161 和 ResNeXt101）在该数据集的一个子集上训练，并通过测量各模型的 AUC、灵敏度和特异度在剩余数据集上评估自动分类性能。此外，根据这些测试数据集所用成像系统的类型进行分层，评估这些深度学习模型的泛化能力。结果：所有深度学习模型在识别含气腹的胸片方面表现良好，其中 DenseNet161 取得了最高的 AUC 95.7%、特异度 89.9% 和灵敏度 91.6%。DenseNet161 模型能够准确分类来自不同成像系统的胸片（准确率：90.8%），而其仅在单一机构特定成像系统捕获的图像上训练。该结果表明我们的模型学习胸片中显著特征以检测气腹具有泛化能力，且独立于成像系统。
引用
@article{arxiv.2010.08872,
title = {Sensitivity and Specificity Evaluation of Deep Learning Models for Detection of Pneumoperitoneum on Chest Radiographs},
author = {Manu Goyal and Judith Austin-Strohbehn and Sean J. Sun and Karen Rodriguez and Jessica M. Sin and Yvonne Y. Cheung and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2010.08872},
year = {2020}
}
备注
21 Pages, 4 Tables and 6 Figures