针对儿科患者微调胸部X射线骨抑制网络的高效标签

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科放射学 儿科放射学

背景情况:

• 儿童肺炎的诊断依赖于儿科胸部X射线 (CXR),但骨结构可以掩盖关键细节.
• 由于标记数据有限,现有的深度学习骨抑制网络缺乏对儿科CXR的概括性.
• 标记儿科CXR的传统方法往往是手动的,耗时的,且不理想的.

研究的目的:

• 为儿科CXR骨抑制网络开发一种高效的,自动化的标签方法.
• 为了使儿童CXR图像中的骨结构能够在没有专门的设备或培训的情况下自动抑制.
• 提高儿科患者肺炎诊断的准确性和效率.

主要方法:

• 这是一个三步过程,涉及基于距离转换的骨边检测,用于骨抑制的传统图像处理以及完全自动化的骨抑制网络.
• 使用距离转换图像作为传统图像处理技术的输入来检测骨边缘.
• 一个深度学习网络在成人CXR上进行了预训练,并在标记的儿科CXR图像上进行了微调.

主要成果:

• 自动骨边检测实现了平均边界距离为1.029.
• 传统的图像处理产生了93.0%相对韦伯对比度的骨头图像.
• 完全自动化的网络显示了3.38%的相对平均绝对误差和90.1%的骨压缩比.

结论:

• 拟议的自动化系统可以从儿科CXR生成骨和软组织图像.
• 这项技术有可能对儿童肺炎的诊断有很大帮助.
• 该方法克服了小儿放射学专用设备和手动标签的局限性.