NCT-CXR:使用改进的坐标几何变换在胸部X射线上增强肺部异常细分

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像细分,特别是胸部X射线 (CXRs),面临着诸如阶级不平衡和不一致的注释等挑战.
• 在CXR中准确识别病理区域对于诊断和治疗规划至关重要.
• 现有的方法经常与解剖学变异和微妙异常的细微差别作斗争.

研究的目的:

• 开发NCT-CXR,一种用于精确和临床可靠的CXR肺部异常细分的新框架.
• 通过将解剖学上受约束的数据增强与专家指导的注释改进相结合,提高深度学习模型的性能.
• 针对大型CXR数据集中的标签噪声,并提高胸部疾病的细分精度.

主要方法:

• 实现NCT-CXR框架,使用离散角度旋转 (±5°,±10°) 和基于强度的增强来丰富数据.
• 采用OncoDocAI的临床验证的注释改进管道,用于生成高质量的多标签像素级别细分面具.
• 由于其效率,速度和空间准确性,选择YOLOv8作为细分骨干.
• 使用NIH胸部X射线数据集进行培训和评估.

主要成果:

• NCT-CXR显著提高了细分精度,特别是在肺胸部 (在±5°和±10°旋转时分别达到0.829和0.804的子得分).
• 统计分析 (Kruskal-Wallis,Nemenyi) 证实了离散角增强对混合策略的优越性 (p < 0.014).
• 精细的注释和增强策略导致了对九种胸部疾病的更强大,更准确的细分口罩.

结论:

• 临床限制的数据增强和高质量的注释对于强大的医疗图像细分模型至关重要.
• NCT-CXR提供了一种实用且高性能的解决方案,用于将深度学习集成到放射学工作流程中.
• 该框架显示了在CXR分析中提高诊断准确性和效率的潜力.