两阶段检测后细分模型提高了识别膜下病变的准确性

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 胸部X射线 (CXR) 是检测肺病变的标准.
• 由于研究有限,对CXRs的腹部发现往往被忽视.
• 需要改进的方法来通过CXRs检测腹部疾病.

研究的目的:

• 引入和评估用于检测CXRs的腹部病变的两阶段架构.
• 为了比较整个CXR的诊断性能与孤立的腹部区域.
• 评估细分特定腹部象限用于病变检测的有效性.

主要方法:

• 开发了细分模型来隔离右上象限 (RUQ),左上象限 (LUQ) 和腹部上部 (ABD) 区域.
• 在19个类别中策划了5996张腹部损伤图像的数据集.
• 对整个CXR的病变检测性能进行比较,细分为ABD,RUQ和LUQ区域.

主要成果:

• 在整个腹部上部 (ABD) 区域训练的检测模型显示了最高的准确性.
• 右上象限 (RUQ) 和左上象限 (LUQ) 模型也超过了整个CXR模型.
• 整个CXR分析产生了最低的检测准确性.

结论:

• 两级架构有效地分离了细分和检测任务,以改善CXR腹部损伤诊断.
• 与整个图像分析相比,细分腹部区域可以提高诊断准确性.
• 进一步的研究可能会探索用于检测模型的最佳图像与损伤尺寸比率.