一文带你解读:卷积神经网络自动判读胸部CT图像的机器学习原理(一)

简介: 一文带你解读:卷积神经网络自动判读胸部CT图像的机器学习原理(一)

译者:Alexander Zhao

image.png

本文介绍了利用机器学习实现胸部CT扫描图像自动判读的任务,这对我来说是一个有趣的课题,因为它是我博士论文研究的重点。这篇文章的主要参考资料是我最近的预印本 “Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes.”

CT扫描图像是一种大体积图像,大小约为512×512×1000灰度像素,用于描绘心脏、肺和胸部的其他解剖结构。胸部CT扫描图像用于诊断和治疗多种疾病,包括癌症、感染和骨折。这篇文章讨论了如何获得CT图像,如何对CT图像进行判读,以及为什么CT图像的自动判读具有挑战性,最后,我们将介绍如何使用机器学习来实现CT图像的自动判读任务。

什么是CT扫描图像

胸部CT用于显示胸部,包括左肺、右肺、气道、心脏和大血管:

image.png

有关胸部解剖学的更详细概述,请参阅本文。

因为胸部CT扫描是一种三维图像,所以会在三个不同的解剖学平面上分辨观察,这三种解剖学平面分别是冠状面、横断面与矢状面。

image.png

i下面是一个横断面CT图像的例子:

image.png

下面是另一个横断面CT图像的例子:

image.png

想要了解同一张CT扫描图像在三个解剖学平面上的不同视图,请参阅本文,它含有一张可以滚动查看的健康人的高分辨率胸部CT图像。

CT图像是怎么获得的?

下图显示的是CT扫描仪,它是一个甜甜圈形状的仪器:

image.png

病人躺在桌子上,通过CT扫描仪的“甜甜圈孔”移动。以下是CT扫描仪的内部结构:

image.png

CT扫描是基于X射线的。然而,CT不同于“投影X射线”,因为CT是3D的,而投影X射线是2D的(关于自动投影X射线请参阅本文)。

CT扫描仪的X射线源将X射线束(如上图红色所示)通过患者的身体发送到探测器上。当患者通过中心孔时,整个放射源/探测器设备围绕患者旋转,因此可以在三维空间的多个点上测量患者身体的辐射密度。

最后,CT扫描图像使用Hounsfield单位对患者体内数百万个点的放射密度进行编码,其中空气显示为黑色,骨骼显示为白色。中等密度的组织呈灰色。

放射科医生如何判读CT扫描?

CT扫描是一种常见的影像学检查形式,对许多疾病的诊断和治疗非常有用。放射科医生是判读医学放射图像并撰写诊断报告的医生,这些报告供其他医生在患者的护理中使用。

当一个放射科医生需要判读一张CT扫描图像时,他会做两件事。首先,放射科医生必须确定出现了哪些异常,例如肺炎、肺不张、心脏肿大、结节、肿块、胸腔积液等。接下来,放射科医生必须在他们的描述中指定出现异常的位置。病灶位置在医学上往往非常重要——例如,不同类型的肺癌往往位于不同的位置。下表总结了放射科医生的任务:

image.png

CT报告示例

以下是美国国家诊断成像中心的胸部CT报告示例,其中文本是从本份公开报告中复制的:

EXAM: CTA CHEST W W/O CONTRAST

CLINICAL HISTORY: SOB, dyspnea, R/O PE, ILD, possible occupational lung disease

INDICATIONS: 49 year-old patient with shortness of breath. Possible PE. Possible occupational lung disease.

PROCEDURE: Consecutive axial slices were obtained without and with intravenous contrast. Bolus thin slices were performed through the pulmonary arteries.

The pulmonary trunk shows no evidence for thrombus or embolus. There is no evidence for a saddle embolus. The right and left main pulmonary arteries appear unremarkable. The first and second order pulmonary branches bilaterally do not show evidence for embolus. The axillary regions show no adenopathy. The mediastinum and hilar regions show no masses or adenopathy. The included upper abdomen shows splenic calcification which could indicate remote granulomatous disease. There is some focal renal cortical thickening on the right where there may be prior scarring. There is no evidence for pulmonary parenchymal interstitial lung disease. On image 2 series 4 in the left lower lung there is a 3 mm nodule. This could be followed with surveillance CT in 12 months if there is further concern. There is also a small similar nodule on the same series image 49 on the left. There are no infiltrates or effusions. There is no acute bony abnormality seen.

IMPRESSION: No evidence for pulmonary embolic disease. Some small lung nodules on the left could be followed at 12 months with a CT if there is sufficient concern. No evidence for interstitial lung disease.

目录
相关文章
|
14天前
|
机器学习/深度学习 编解码 算法
YOLOv5改进 | 主干网络 | 用EfficientNet卷积替换backbone【教程+代码 】
在YOLOv5的GFLOPs计算量中,卷积占了其中大多数的比列,为了减少计算量,研究人员提出了用EfficientNet代替backbone。本文给大家带来的教程是**将原来的主干网络替换为EfficientNet。文章在介绍主要的原理后,将手把手教学如何进行模块的代码添加和修改,并将修改后的完整代码放在文章的最后,方便大家一键运行,小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。
|
5天前
|
机器学习/深度学习 数据可视化 计算机视觉
【YOLOv8改进】MCA:用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的创新改进和实战案例,包括多维协作注意力(MCA)机制,它通过三分支架构同时处理通道、高度和宽度注意力,提高CNN性能。MCA设计了自适应组合和门控机制,增强特征表示,且保持轻量化。该模块适用于各种CNN,实验证明其在图像识别任务上的优越性。此外,文章还展示了如何在YOLOv8中引入MCA层的代码实现和相关任务配置。
|
5天前
|
机器学习/深度学习 人工智能 算法
中草药识别系统Python+深度学习人工智能+TensorFlow+卷积神经网络算法模型
中草药识别系统Python+深度学习人工智能+TensorFlow+卷积神经网络算法模型
39 0
|
8天前
|
机器学习/深度学习 自然语言处理 算法
深入解析深度学习中的卷积神经网络:从理论到实践
深入解析深度学习中的卷积神经网络:从理论到实践
28 0
|
8天前
|
机器学习/深度学习 算法 计算机视觉
YOLOv8 | 卷积模块 | 提高网络的灵活性和表征能力的动态卷积【附代码+小白可上手】
本教程介绍了如何在YOLOv8中使用动态卷积提升网络性能和灵活性。动态卷积利用注意力机制动态选择和组合卷积核,适应输入数据特征,解决了轻量级CNN的局限。文中提供了详细步骤教读者如何添加和修改代码,包括在`conv.py`中添加`Dynamic_conv2d`模块,更新`init.py`、`task.py`和`yaml`配置文件。此外,还分享了完整代码和进阶技巧,帮助深度学习初学者实践目标检测。参考[YOLOv8改进](https://blog.csdn.net/m0_67647321/category_12548649.html)专栏获取更多详情。
|
12天前
|
机器学习/深度学习 监控 自动驾驶
【传知代码】从零开始搭建图像去雾神经网络-论文复现
本文介绍了基于集成学习的双分支非均匀去雾神经网络的复现,该网络由迁移学习子网和数据拟合子网组成,分别处理全局表示和数据拟合。网络使用Res2Net作为编码器,并结合通道和像素注意力模块。代码可在提供的链接下载。网络在交通监控、自动驾驶、航海和目标跟踪等领域有广泛应用,通过提升图像质量来提高系统性能。实验在O-Haze、I-Haze和NH-Haze数据集上进行,展示了网络在去除雾霾方面的效果,尽管存在细节模糊和色彩饱和度低的问题。
|
13天前
|
机器学习/深度学习 算法 计算机视觉
YOLOv8改进 | 融合模块 | 用Resblock+CBAM卷积替换Conv【轻量化网络】
在这个教程中,介绍了如何将YOLOv8的目标检测模型改进,用Resblock+CBAM替换原有的卷积层。Resblock基于ResNet的残差学习思想,减少信息丢失,而CBAM是通道和空间注意力模块,增强网络对特征的感知。教程详细解释了ResNet和CBAM的原理,并提供了代码示例展示如何在YOLOv8中实现这一改进。此外,还给出了新增的yaml配置文件示例以及如何注册模块和执行程序。作者分享了完整的代码,并对比了改进前后的GFLOPs计算量,强调了这种改进在提升性能的同时可能增加计算需求。教程适合深度学习初学者实践和提升YOLO系列模型的性能。
|
16天前
|
消息中间件 Java Linux
2024年最全BATJ真题突击:Java基础+JVM+分布式高并发+网络编程+Linux(1),2024年最新意外的惊喜
2024年最全BATJ真题突击:Java基础+JVM+分布式高并发+网络编程+Linux(1),2024年最新意外的惊喜
|
14天前
|
JSON 安全 网络协议
【Linux 网络】网络基础(二)(应用层协议:HTTP、HTTPS)-- 详解
【Linux 网络】网络基础(二)(应用层协议:HTTP、HTTPS)-- 详解
|
14天前
|
存储 网络协议 Unix
【Linux 网络】网络编程套接字 -- 详解
【Linux 网络】网络编程套接字 -- 详解