A Deep Learning-Driven Inhalation Injury Grading Assistant Using Bronchoscopy Images

要約

吸入損傷は、短縮損傷スコア（AIS）が主観的であり、機械的換気期間や患者の死亡率などの臨床パラメーターとの堅牢な相関がないなどの従来の等級付け方法により、臨床診断とグレーディングに課題をもたらします。
この研究では、気管支鏡検査画像を使用して吸入損傷を評価するための新しいディープラーニングベースの診断アシスタントツールを紹介し、主観的な変動性を克服し、重症度評価の一貫性を高めます。
私たちのアプローチは、医療画像データの不足に対処するために、グラフィック変換、対照的な対照翻訳（カット）、サイクルガンなどのデータ増強技術を活用しています。
これらの増強方法を通じて大幅に拡張されたデータセット全体で、2つのディープラーニングモデル、GoogleNetとVision Transformer（VIT）の分類パフォーマンスを評価します。
結果は、気管支鏡検査画像を介した吸入損傷を採点するための最も効果的な構成としてCutと組み合わせたGoogleNetを示し、97.8％の分類精度を達成します。
ヒストグラムと周波数分析の評価は、ヒストグラムの分布の変化と周波数スペクトルのテクスチャの詳細による増加カットによって引き起こされる変動を明らかにしています。
PCAの視覚化は、カットを強調して、機能空間のクラス分離性を大幅に向上させます。
さらに、Grad-CAM分析は、意思決定プロセスに関する洞察を提供します。
カットヒートマップの平均強度は119.6で、元のデータセットの98.8を大幅に超えています。
提案されたツールは、機械的換気期間を新しいグレーディング基準として活用し、包括的な診断サポートを提供します。

要約(オリジナル)

Inhalation injuries present a challenge in clinical diagnosis and grading due to Conventional grading methods such as the Abbreviated Injury Score (AIS) being subjective and lacking robust correlation with clinical parameters like mechanical ventilation duration and patient mortality. This study introduces a novel deep learning-based diagnosis assistant tool for grading inhalation injuries using bronchoscopy images to overcome subjective variability and enhance consistency in severity assessment. Our approach leverages data augmentation techniques, including graphic transformations, Contrastive Unpaired Translation (CUT), and CycleGAN, to address the scarcity of medical imaging data. We evaluate the classification performance of two deep learning models, GoogLeNet and Vision Transformer (ViT), across a dataset significantly expanded through these augmentation methods. The results demonstrate GoogLeNet combined with CUT as the most effective configuration for grading inhalation injuries through bronchoscopy images and achieves a classification accuracy of 97.8%. The histograms and frequency analysis evaluations reveal variations caused by the augmentation CUT with distribution changes in the histogram and texture details of the frequency spectrum. PCA visualizations underscore the CUT substantially enhances class separability in the feature space. Moreover, Grad-CAM analyses provide insight into the decision-making process; mean intensity for CUT heatmaps is 119.6, which significantly exceeds 98.8 of the original datasets. Our proposed tool leverages mechanical ventilation periods as a novel grading standard, providing comprehensive diagnostic support.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google