一个统一的深度学习框架,用于在胸部X射线图中定位和分类关节疾病
1Research Scholar, Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Aziz Nagar, Hyderabad, Telangana, 500075, India. divya.kotla@outlook.com.
Scientific reports
|August 31, 2025
概括
这项研究引入了CXR-MultiTaskNet,这是一个统一的深度学习框架,用于准确的胸部X射线疾病分类和病变定位. 它提高了临床解释性,并有效处理多标签疾病.
科学领域:
- 医学成像
- 医疗保健中的人工智能
- 放射学
背景情况:
- 自动化胸部X射线 (CXR) 分析在多标签疾病分类和病变定位方面面临挑战.
- 现有的方法往往孤立分类和本地化,限制可解释性和性能.
- 目前的多任务学习框架存在任务干扰问题, 缺乏临床解释性.
研究的目的:
- 开发一个统一的深度学习框架 (CXR-MultiTaskNet) 以同时对CXR进行胸部疾病分类和病变定位.
- 提高自动化CXR分析的解释性和临床实用性.
- 解决现有方法的局限性,包括任务干扰和不良解释性.
主要方法:
- 使用ResNet50特征提取器和特定任务的头部实现了统一的多任务深度学习框架 (CXR-MultiTaskNet).
- 整合了一个基于Grad-CAM的模块,以提高临床可解释性.
- 开发了一种优化表现提取和检测的关节损失函数,考虑到类失衡和病变检测能力.
- 采用基于双重注意力的层次特征提取方法,以提高可解释性和疾病检测.
主要成果:
- 在疾病分类方面达到0.965的宏观F1得分,在病变定位方面达到0.851的平均IOU.
- 与最先进的单任务和多任务基线相比,表现优越.
- 该框架提供疾病层面和像素层面的预测,使全面和可解释的分析成为可能.
结论:
- CXR-MultiTaskNet框架为自动化胸部X射线分析提供了一个集成,可解释和可扩展的解决方案.
- 通过提供准确的预测和明确的解释,它增强了临床决策.
- 这一框架作为下一代可解释的放射学AI的基础.


