通过对抗学习和盒子融合进行跨领域的肺不透明度检测

科学领域:

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

背景情况:

• 肺部不透明可能是由各种疾病引起的,包括肺,出血,肺癌和治疗后的变化.
• 准确及时检测肺不透明度对于有效的患者管理至关重要.
• 当前的检测方法通常需要手动注释,增加工作量和错误的可能性.

研究的目的:

• 开发一种无监督的跨领域方法,用于检测胸部X射线上的肺不透明度.
• 为了使外科医生能够快速定位肺不透明,而不需要依赖额外的手册注释.
• 评估拟议方法在跨领域检测任务中的性能.

主要方法:

• 提出了一种基于对抗性学习的新方法,用于肺部不透明度检测.
• 在训练期间利用焦点损失,GIoU损失和加权盒融合 (WBF).
• 在RSNA和Vingroup大数据研究所的胸部X射线数据集上进行了广泛的实验,用于跨域验证.

主要成果:

• 拟议的方法在跨领域的肺不透明度检测中表现出卓越的性能.
• 在两个跨领域任务中,实现了34.30%和36.55%的平均精度 (AP) 和74.11%和75.91%的平均回忆 (AR10).
• 可视化结果证实在随机选择的样本中更准确地检测到肺不透明度.

结论:

• 与其他检测框架相比,开发的无监督对抗式学习方法提供了具有竞争力的结果.
• 该方法能够在没有额外注释的情况下进行跨领域检测,这使其成为协助肺不透明检测的宝贵工具.
• 这种方法有可能极大地帮助外科医生快速准确地识别肺不透明.