评估视图位置在X射线成像中的影响,用于肺部疾病的分类

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
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 临床信息,包括患者人口统计和成像视图,对于解释胸部X射线来说至关重要.
• 现有的胸部X射线分类模型往往忽视了临床变量的影响,仅依赖图像数据.
• 胸部X射线14数据集被广泛使用,但其模型尚未充分利用相关的临床数据.

研究的目的:

• 确定哪个临床变量最显著地影响胸部X射线图像特征.
• 评估最有影响力的临床变量对肺病分类表现的影响.
• 开发和评估一个改进的分类模型,包括关键的临床信息.

主要方法:

• 使用无监督聚类,根据视觉相似之处分组胸部X射线图像.
• 统计分析检查了每个图像集群中的临床组成 (年龄,性别,视角位置).
• 基于注意力的卷积神经网络 (CNN) 被训练,考虑了最有影响力的临床变量 (视图位置).

主要成果:

• 视图位置被确定为影响胸部X射线图像特征的最有影响力的临床变量.
• 拟议的模型,结合视图位置,实现了0.8176的曲线下的加权面积 (AUC) 肺炎分类.
• 这一表现超过了基线模型的1.65%和之前的研究的6.76%,显示所有14种疾病的改善.

结论:

• 视图位置是影响胸部X射线图像解释和分类模型性能的关键因素.
• 在深度学习模型中考虑视图位置可以更准确地检测肺部疾病.
• 这种方法具有显著的潜力,可以增强放射图像分析中的临床应用.