[论文解读] Automated Cardiothoracic Ratio Calculation and Cardiomegaly Detection using Deep Learning Approach

Isarun Chamveha, Treethep Promwiset+3 more|arXiv (Cornell University)|Feb 18, 2020

Phonocardiography and Auscultation Techniques参考文献 20被引用 25

一句话总结

本文提出了一种基于深度学习的自动化心胸比（CTR）计算与心脏扩大检测方法，采用VGG16编码器的U-Net模型对后前位胸部X光片中的心脏和肺部区域进行分割。该方法在放射科医生中获得了76.5%的接受率，显著减少了人工工作量，并为细微心脏扩大病例提供了可靠的第二意见。

ABSTRACT

We propose an algorithm for calculating the cardiothoracic ratio (CTR) from chest X-ray films. Our approach applies a deep learning model based on U-Net with VGG16 encoder to extract lung and heart masks from chest X-ray images and calculate CTR from the extents of obtained masks. Human radiologists evaluated our CTR measurements, and $76.5\%$ were accepted to be included in medical reports without any need for adjustment. This result translates to a large amount of time and labor saved for radiologists using our automated tools.

研究动机与目标

• 减少放射科医生在胸部X光片上手动测量心胸比（CTR）所耗费的时间与人力。
• 开发一种基于深度学习的自动化系统，通过图像分割实现心胸比的精确计算。
• 以高敏感性检测心脏扩大，尤其针对人类阅片者可能遗漏的轻度或临界异常病例。
• 提供一种可靠的算法“第二意见”，用于标记数据集中可能存在的诊断错误。

提出的方法

• 采用带有VGG16编码器的U-Net架构，对前后位胸部X光片中的心脏和肺部区域进行语义分割。
• 模型预测心脏和肺部的掩码，从中计算中线至右/左心室的直径（MRD、MLD）以及胸内直径（ID）。
• CTR通过公式计算：CTR = (MRD + MLD) / ID，测量值来源于分割掩码的边界范围。
• 该方法在少于400个标注样本上进行训练，并在来自不同医院的数据集之间具有良好泛化能力。
• 放射科医生对自动化CTR测量结果进行了验证，评估其临床可接受性，且未进行任何调整。
• 系统通过高亮显示MRD、MLD和ID测量的确切位置，为放射科医生提供即时确认的视觉提示。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需放射科医生手动调整的情况下，实现对自动化CTR测量的高临床可接受性？
• RQ2 自动化CTR检测性能与人工标注标签相比如何，特别是在临界或轻度异常病例中？
• RQ3 数据集标签中存在多大程度的错误？该算法能否检测出人类读者和现有标注系统均遗漏的病例？
• RQ4 该模型是否能够检测出低于人类感知阈值但具有临床意义的细微心脏扩大病例？
• RQ5 在训练数据有限的情况下，该算法在来自不同机构的多样化数据集上的表现如何？

主要发现

• 所提出的方法在放射科医生中对自动化CTR测量的接受率达到76.5%，表明其具有强大的临床实用性，并显著降低了人工工作量。
• 在NIH胸部X光数据集中，该算法在心脏扩大检测中达到67.1%的准确率，敏感度为0.81，特异度为0.69。
• 在CheXpert数据集中，该算法达到69.8%的准确率，敏感度为0.69，特异度为0.70。
• NIH数据集中83.3%的假阳性病例和CheXpert数据集中87.4%的假阳性病例的CTR值位于0.5至0.6之间，表明在阈值附近存在较高的误分类风险。
• NIH胸部X光数据集中13.9%的标签和CheXpert数据集中32.5%的标签与放射科医生接受的CTR值不一致，揭示了显著的标签噪声。
• 该算法检测到了被数据集错误标记为“无心脏扩大”的轻度心脏扩大病例（CTR 0.5–0.55），证明其作为第二意见工具的重要价值。