A Generalized Deep Learning Approach for Evaluating Secondary Pulmonary Tuberculosis...论文总结

 

A Generalized Deep Learning Approach for Evaluating Secondary Pulmonary Tuberculosis on Chest Computed Tomography

 

要解决的问题：

结核型肺炎 Pulmonary Tuberculosis PTB and 非结核型肺炎non-tuberculous(non-TB )的差异是大的，但依靠临床和放射科来判断肺结核的疾病类型仍然很困难，成本高，速度慢。因此，如何应用深度学习技术审核CT图像，协助医生来进行诊断，区别PTB和TB，以及正常的肺部CT图像至关重要。

 

贡献：

1.提出了一个新颖的算法，可以自动化的发现、预测 secondary PTB从non-TB 和正常病人的CT图像中。并且效果非常显著，和业界专家们的标注基本持平。

2.他们的算法能够被嵌入到移动端的、CT诊断等设备中进行使用

3.他们共享CT数据和训练好的算法，去协助其他医院机构使用、进一步改进，扩展

 

方法：

网络：pre-trained Inception-Res-net-v2(训练好的ImageNet迁移过来)

nception-ResNet-v2是Inception V3模型根据ResNet网络变化而来的一种图像分类的算法。

在最后的FC layer之前, 使用了4个平行的FC（4096，2048，1024，512），相同的输入平行放置。

由于PTB和non-TB肺炎的切片数量不均衡，在预测类别时，修改类别权重，以此来平衡每个类别。 

采用类别权重增加异常切片的数量，使得算法可以学习到更多的潜在的特征。

之后选择三个具有不同类别权重的 Inception-Res-net-v2模型。 在这三个模型上使用非加权平均方法对分片级别的概率进行合并。

 

Imgs: 256*256   thickness:0.625-8 mm

 

 

实验：

WCPR Dataset（HRCT 高分辨率CT）

1,124 patients (285,647 total slices including 217,387 HRCT slices)

439 PTB patients (124,680 total slices including 99,217 HRCT slices),

484 non-TB pneumonia patients (116,070 total slices including 83,466 HRCT slices)

201 normal patients (44,897 total slices including 34,704 HRCT slices)