Deep ensemble learning for segmenting tuberculosis-consistent manifestations in chest radiographs

要約

ディープラーニング（DL）メソッドを使用した胸部X線（CXR）の結核（TB）の一貫した病変の自動セグメンテーションは、放射線科医の労力を削減し、臨床的意思決定を補完し、患者の治療を改善する可能性があります。
文献の大部分の作品は、粗いバウンディングボックス注釈を使用した自動セグメンテーションモデルのトレーニングについて説明しています。
ただし、バウンディングボックスの注釈の粒度により、ピクセルレベルでかなりの割合の誤検知と誤検知が含まれる可能性があり、全体的なセマンティックセグメンテーションのパフォーマンスに悪影響を与える可能性があります。
この研究では、（i）結核一貫性病変のきめ細かい注釈を使用する利点を評価し、（ii）元のおよび骨抑制前頭葉の両方で結核一貫性病変を意味的にセグメント化するためのU-Netモデルのバリアントのアンサンブルをトレーニングおよび構築します
CXR。
ビット単位のAND、ビット単位のOR、ビット単位のMAX、スタッキングなど、いくつかのアンサンブル手法を使用してセグメンテーションのパフォーマンスを評価しました。
スタッキングアンサンブルは、個々の構成モデルや他のアンサンブル手法と比較して、優れたセグメンテーションパフォーマンス（ダイススコア：0.5743、95％信頼区間：（0.4055,0.7431））を示すことがわかりました。
私たちの知る限りでは、これはアンサンブルラーニングを適用して細粒結核の一貫した病変セグメンテーションのパフォーマンスを改善する最初の研究です。

要約(オリジナル)

Automated segmentation of tuberculosis (TB)-consistent lesions in chest X-rays (CXRs) using deep learning (DL) methods can help reduce radiologist effort, supplement clinical decision-making, and potentially result in improved patient treatment. The majority of works in the literature discuss training automatic segmentation models using coarse bounding box annotations. However, the granularity of the bounding box annotation could result in the inclusion of a considerable fraction of false positives and negatives at the pixel level that may adversely impact overall semantic segmentation performance. This study (i) evaluates the benefits of using fine-grained annotations of TB-consistent lesions and (ii) trains and constructs ensembles of the variants of U-Net models for semantically segmenting TB-consistent lesions in both original and bone-suppressed frontal CXRs. We evaluated segmentation performance using several ensemble methods such as bitwise AND, bitwise-OR, bitwise-MAX, and stacking. We observed that the stacking ensemble demonstrated superior segmentation performance (Dice score: 0.5743, 95% confidence interval: (0.4055,0.7431)) compared to the individual constituent models and other ensemble methods. To the best of our knowledge, this is the first study to apply ensemble learning to improve fine-grained TB-consistent lesion segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google