基于术中内镜数字图像实现纯质与混合结石的自动识别
计算机视觉与模式识别
2021-05-25 v1 人工智能
摘要
目的：评估利用临床环境中获取的术中数字内镜图像对纯质与混合尿路结石的形态特征进行计算机辅助原位自动识别。材料与方法：在这项单中心研究中，一名经验丰富的泌尿科医生在术中前瞻性地检查了所有 encountered 肾结石的表面与剖面。收集一水草酸钙(COM/Ia)、二水草酸钙(COD/IIb)和尿酸(UA/IIIb)的形态学标准并进行分类，以生成标注数据集。训练一个深度卷积神经网络(CNN)来预测纯质与混合结石的成分。为解释深度神经网络模型的预测结果，绘制了粗定位热图以 pinpoint 网络识别的关键区域。结果：本研究分别纳入347例和236例结石表面与结石剖面的观察。利用表面图像，对“纯IIIb/UA”类型的灵敏度最高达98%。最常遇到的形态为“纯Ia/COM”型；利用表面与剖面图像，其被正确预测的比例分别为91%和94%。对于混合类型“Ia/COM+IIb/COD”，利用表面图像，Ia/COM预测准确率为84%，IIb/COD为70%，两者均预测准确为65%。对于混合Ia/COM+IIIb/UA结石，利用剖面图像，Ia/COM预测准确率为91%，IIIb/UA为69%，两者均预测准确为74%。结论：本初步研究表明，深度卷积神经网络有望从术中获取的内镜图像识别肾结石成分。纯质与混合结石成分均可被区分。在临床环境中收集、由深度CNN分析的剖面与表面图像，为计算机辅助诊断提供了有关结石形态的宝贵信息。
引用
@article{arxiv.2105.10686,
title = {Towards Automatic Recognition of Pure & Mixed Stones using Intraoperative Endoscopic Digital Images},
author = {Vincent Estrade and Michel Daudon and Emmanuel Richard and Jean-Christophe Bernhard and Franck Bladou and Gregoire Robert and Baudouin Denis de Senneville},
journal= {arXiv preprint arXiv:2105.10686},
year = {2021}
}
备注
19 pages, 3 figures, 2 tables