【CSDN】厉害！你的 CT 片子，AI 就能分析( 二 )

本文插图
该系统由几个组件组成，并在两个不同的级别上分析CT病例：子系统A：使用现有的SOTA算法对结核和焦浊情况的病例体积进行3D分析，而子系统B：对每个切片，用最新开发的2D分析来检测和定位更大范围的弥漫性混浊，包括临床上已描述为冠状病毒表现的毛玻璃态。对于子系统A ，本文使用商用软件来检测3D肺部容积内的结节和小混浊。该软件是作为肺部病理学检测解决方案而开发的，可提供定量测量（包括体积测量，轴向测量（RECIST）， HU值，钙化检测以及固体，亚固体和GG的质构表征）。由于毛玻璃混浊（GGO）在最近的研究中已经成为COVID-19的关键特征之一，因此作者假设现有软件可以检测出病例中较小尺寸的病灶。

本文插图
在图2（A）中可以看到一个例子：显示了两个冠状病毒病例，其中混浊现象相对较弱。除了检测异常外，还提供了测量和定位结果。在每种情况下，该软件都会检测单个不透明的焦点，并显示检测到的不透明度的图像及其分割结果。最后，会自动生成并提供病变特征列表。由于当前的肺病理学检测解决方案是专门针对结节检测任务而构建的，因此不能依靠它们来检测更多弥散性的混浊结节。因此作者在每个切片的基础上提出了一种数据驱动的解决方案，如图1子系统B所示。在本文的解决方案（B）中，第一步是肺划分阶段：本文使用肺分割模块提取感兴趣的肺区域（ROI），分割步骤使得能够去除与肺内疾病的检测无关的图像部分。在接下来的步骤中，作者专注于检测冠状病毒相关的异常：本文使用Resnet-50-2D深度卷积神经网络，与医学成像领域一样，本文进一步微调网络参数以解决当前的问题，每个切片将病例注释为正常（n = 1036）与异常（n = 829）。为了克服数量有限的情况，本文采用了数据增强技术（图像旋转，水平翻转和裁剪）。在后续异常检测步骤中，给定一个新切片，将其分类为阳性，本文提取了“网络激活图” ，该图对应于最有助于网络决策的区域。图2（B）显示了四个分类为异常的COVID-19切片示例结果。顶部是CT图像。底部是相应的彩色地图。红色表示网络权重最大，而蓝色表示最弱。我们注意到，这有力地表明该网络学习到了与COVID-19表现形式相关的重要特征。【【CSDN】厉害！你的 CT 片子，AI 就能分析】

本文插图
为了提供完整的案例回顾，我们结合了子系统A-3D分析和子系统B-2D切片级别的输出。在图3中，我们看到了一个冠状病毒病例，并且所提出的系统的合并输出结果图也是如此。我们可以看到绿色的结节性和局灶弥漫性不透明度的检测，红色的则是较大的不透明度检测。这两个子系统相互补充，并且在某些位置相互增强。除了可视化之外，系统还会自动提取多个感兴趣的输出，包括每个切片的不透明度（2D）定位以及整个肺部不透明度的3D体积表示。本文还提出了Corona评分，该评分是对不透明部分的体积度量。它是通过网络激活图的体积总和来计算的，该分数对切片厚度和像素间距也具有鲁棒性。对于患者疾病的进展监测，作者建议使用相对Corona评分，其中利用第一个时间点计算的评分将Corona评分归一化。结果作者做了一系列实验来阐明该自动分析工具的性能。1、分类作者使用了10%的中国数据集作为测试集，主要测试了对冠状病毒的检测和辨别能力。当阈值1.1％（检测到的阳性切片与肺切片的阳性百分比），可取得98.2％的病例水平敏感性和92.2％的特异性。而阈值为1.9％时，则会有96.4％的灵敏度和98％的特异性。