[论文解读] VinDr-RibCXR: A Benchmark Dataset for Automatic Segmentation and Labeling of Individual Ribs on Chest X-rays

Hoang Nguyen, Tung Le+2 more|arXiv (Cornell University)|Jul 2, 2021

COVID-19 diagnosis using AI被引用 14

一句话总结

本论文提出了 VinDr-RibCXR，一个全新的公开基准数据集，包含245张经过标注的胸部X光片，对20根单独的肋骨提供了像素级分割掩码。在196张训练图像上使用最先进的深度学习模型——特别是采用 EfficientNet-B0 编码器的 U-Net++——该最佳模型在49张图像的测试集上取得了0.834的Dice分数（95%置信区间：0.810–0.853），为胸部X光片中的肋骨分割建立了强有力的基线性能。

ABSTRACT

We introduce a new benchmark dataset, namely VinDr-RibCXR, for automatic segmentation and labeling of individual ribs from chest X-ray (CXR) scans. The VinDr-RibCXR contains 245 CXRs with corresponding ground truth annotations provided by human experts. A set of state-of-the-art segmentation models are trained on 196 images from the VinDr-RibCXR to segment and label 20 individual ribs. Our best performing model obtains a Dice score of 0.834 (95% CI, 0.810--0.853) on an independent test set of 49 images. Our study, therefore, serves as a proof of concept and baseline performance for future research.

研究动机与目标

• 为解决当前缺乏公开可用、高质量的、带有像素级标注的个体肋骨结构胸部X光片数据集的问题。
• 开发并评估深度学习模型，用于自动分割和标注胸部X光图像中20根独立肋骨（左右各10根，从R1/L1至R10/L10）的结构。
• 为未来在医学影像中实现自动化肋骨分析的研究建立基准数据集和基线性能。
• 支持人工智能工具的发展，通过提供精确的个体肋骨分割，协助放射科医生检测肋骨病变。

提出的方法

• 该数据集从 VinDr-CXR 数据集中提取的去标识化 DICOM 图像构建而成，涵盖245张前后位的肋骨结构。
• 通过定制的基于Web的标注工具 VinDr Lab，由专业放射科医生对手动分割每根20根肋骨的像素级掩码进行标注，掩码以 JSON 格式存储。
• 将数据集划分为196张训练图像和49张验证图像，以支持模型训练与评估。
• 训练了多种最先进的分割模型：U-Net、U-Net+EfficientNet-B0、FPN+EfficientNet-B0，以及 U-Net++ + EfficientNet-B0。
• 所有模型均使用Dice损失和Adam优化器进行训练，共200个周期，输入图像调整为512×512，并应用数据增强技术（翻转、平移、缩放、旋转、亮度/对比度调节）。
• 训练使用 PyTorch（v1.7.1）在 NVIDIA RTX 2080 Ti GPU 上完成。

实验结果

研究问题

• RQ1 当在新发布的高质量基准数据集上进行训练时，深度学习模型在从胸部X光片中分割个体肋骨方面的性能如何？
• RQ2 不同编码器架构（如 EfficientNet-B0）与不同分割头（如 U-Net++、FPN）在肋骨分割精度上的表现有何差异？
• RQ3 所提出的模型能否泛化到正常和异常的胸部X光片扫描中，包括因肺部病变导致肋骨遮挡的情况？
• RQ4 使用像素级标注，对前部和后部肋骨能够达到何种程度的分割精度？
• RQ5 模型在肋骨可见度变化和解剖结构变形情况下的鲁棒性如何？

主要发现

• 表现最佳的模型——采用 EfficientNet-B0 编码器的 U-Net++——在独立的49张图像验证集上取得了0.834的Dice分数（95%置信区间：0.810–0.853）。
• 同一模型在95%分位数的豪斯多夫距离上达到15.453（95%置信区间：13.340–17.450），表明其边界定位精度高。
• 灵敏度为0.841（95%置信区间：0.812–0.858），表明对肋骨结构检测具有较高的召回率。
• 特异性达到0.998（95%置信区间：0.997–0.998），表明假阳性预测极少。
• 该模型在内部和外部数据集（JSRT 和 深圳数据集）的正常与异常胸部X光片中，成功分割出全部20根肋骨，即使肋骨部分被遮挡也表现良好。
• 本研究首次建立了公开可用的基准数据集，包含个体肋骨的分割掩码，为可复现的评估和未来在自动化肋骨分析领域的进展提供了支持。