一个基于深度学习的框架,用于识别和定位多种异常,并评估胸部X射线X射线中的心肌大病
Weijie Fan1, Yi Yang2, Jing Qi2
1Department of Radiology, Second Affiliated Hospital, Army Medical University, Chongqing, 400037, P. R. China.
Nature communications
|February 14, 2024
概括
一个新的深度学习框架准确地识别和定位14个胸部X射线异常,并计算心胸比率. 这种人工智能工具超过了高级放射科医生,提供了出色的临床适用性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 准确识别和定位胸部X射线 (CXR) 异常对于诊断至关重要.
- 大量的注释CXR数据集的有限可用性阻碍了基于深度学习的本地化研究.
研究的目的:
- 开发一个深度学习框架,同时识别和定位14个常见的CXR异常.
- 为培训和验证创建一个大型CXR数据集 (CXR-AL14) 带有界限框注释.
- 评估框架在计算心胸比率 (CTR) 的表现.
主要方法:
- 构建CXR-AL14数据集,包括165,988个CXR和253,844个边界框.
- 开发一个深度学习框架,用于异常识别,定位和CTR计算.
- 对持有,多中心和前性测试数据集进行严格的评估.
主要成果:
- 该框架在0.5.5的IOU值下实现了14个异常的0.572-0.631的平均平均精度值.
- 该CTR算法显示了超过0.95.9的类内相关系数.
- 人工智能框架在临床环境中表现出优于高级放射科医生的性能.
结论:
- 开发的深度学习框架展示了CXR解释的卓越性能,概括性和临床适用性.
- 该CXR-AL14数据集促进了CXR异常局部化的先进深度学习研究.
- 这种人工智能工具适合常规临床使用,提高了诊断准确性和效率.


