《European Radiology》最新文章：基于深度學習和線性回歸級聯算法的胸片自動質量評價
4 月 14 日，健培科技與浙江省人民醫院合作的《Automated quality assessment of chest radiographs based on deep learning and linear regression cascade algorithms （基于深度學習和線性回歸級聯算法的胸片自動質量評價）》原創性研究，在放射學領域著名期刊《European Radiology（歐洲放射學協會官刊，影響因子/JCR分區：5.315/Q1）》發表。 這是2020浙江省重點研發計劃《智能胸部影像質評云平臺關鍵技術研發及應用示范》項目的一項成果，2021年完成建模并投稿，近日收錄于《European Radiology》。
01
研究目標
評估深度學習和線性回歸級聯算法在自動計算胸片布局和擺位質評方面的性能。
02
研究方法
這項回顧性研究使用 10 個定量指標來捕捉放射科醫生對胸部 X 光片圖像布局和擺位的主觀看法，包括胸部邊緣、視野 (FOV)、鎖骨、旋轉、肩胛骨和對稱性。使用由 1025 張成人胸部前后片組成的訓練數據集開發了一個圖像質量自動評估系統。評估步驟包括：（i）使用基于 ResNet-34 的 CNN 框架獲得定量指標的測量參數；（ii）使用多元線性回歸模型對定量指標進行分析，以獲得胸片在布局和擺位方面的預測分數。在測試數據集中 ( n= 100)，使用組內相關系數 (ICC)、皮爾遜相關系數 ( r )、平均絕對差 (MAD) 和平均絕對百分比誤差 (MAPE) 評估自動化系統的性能。
?????????
03
研究結果
試驗結果顯示，10個定量指標與專家主觀評分之間存在統計學顯著關系（p <0.05）。深度學習模型在預測定量指標方面表現出很高的準確性（ICC = 0.82 ~0.99，r = 0.69 ~ 0.99，MAD = 0.01 ~ 2.75）。胸片自動圖像質量評價系統提供的評估結果近似于放射科專家關于圖像布局 (MAPE = 3.05%) 和擺位 (MAPE = 5.72%) 的平均意見分數，本文方法為放射科影像圖像質量評價提供了一個科學、便捷、可靠、量化的方式，必將促進放射科圖像質量評價的發展。
研究結論
十個定量指標與放射科醫師對胸片圖像布局和擺位的主觀感知密切相關。該自動化系統在測量定量指標和評估圖像質量方面具有可靠且準確的性能表現。
研究意義
這一基于深度學習和線性回歸級聯算法的胸片自動質量評價的研究證明將臨床專家知識加入到深度學習模型中會極大的提升模型效果，增加了深度學習模型在臨床上使用的意義。健培科技專業的AI科研團隊與浙江省人民醫院一起，聯合諸多業內專家，順利完成實驗設計，模型搭建和結果分析的工作。本研究在放射學領域著名期刊《European Radiology》發表展現了省重大研發計劃的成果，在合作伙伴們的支持下，諸多國際化前瞻性的臨床應用研究，將不斷結出豐碩的成果。
