利用放射组学作为先验知识进行胸部X光片中的胸部疾病分类与定位
计算机视觉与模式识别
2021-07-13 v3
摘要
胸部X光因其无创性而成为最常见的医学诊断手段之一。胸部X光图像数量激增，但阅片仍由放射科医生手动完成，这造成了巨大的职业倦怠和延误。传统上，放射组学作为放射学的一个子领域，能够从医学图像中提取大量定量特征，在深度学习时代之前就展现了促进医学影像诊断的潜力。本文开发了一个端到端框架ChexRadiNet，可利用放射组学特征提升异常分类性能。具体而言，ChexRadiNet首先应用轻量但高效的三重注意力机制对胸部X光进行分类并高亮异常区域。然后它使用生成的类激活图提取放射组学特征，进一步引导模型学习更鲁棒的图像特征。经过多次迭代并在放射组学特征的帮助下，我们的框架可收敛到更精确的图像区域。我们使用三个公开数据集（NIH ChestX-ray、CheXpert和MIMIC-CXR）评估ChexRadiNet框架。我们发现ChexRadiNet在疾病检测（AUC为0.843）和定位（T(IoU)=0.1时为0.679）上均优于最先进方法。我们将在https://github.com/bionlplab/lung_disease_detection_amia2021公开代码，希望该方法能促进具有更高放射学世界理解水平的自动系统的发展。
引用
@article{arxiv.2011.12506,
title = {Using Radiomics as Prior Knowledge for Thorax Disease Classification and Localization in Chest X-rays},
author = {Yan Han and Chongyan Chen and Liyan Tang and Mingquan Lin and Ajay Jaiswal and Song Wang and Ahmed Tewfik and George Shih and Ying Ding and Yifan Peng},
journal= {arXiv preprint arXiv:2011.12506},
year = {2021}
}
备注
Accepted by AMIA 2021