Deep Learning in der Brustbildgebung: Automatisierte Klassifikation von Lungentuberkulose mittels Convolutional Neural Networks

Zweck: Die Wirksamkeit von tiefen Convolutional Neural Networks (DCNNs) zur Detektion von Tuberkulose (TB) auf Röntgenbildern des Brustkorbs zu bewerten. Materialien und Methoden: In dieser Studie wurden vier anonymisierte, HIPAA-konforme Datensätze verwendet, die von der institutionellen Ethikkommission von der Begutachtung befreit waren und aus 1007 postero-anterioren Brust-Röntgenaufnahmen bestanden. Die Datensätze wurden in Trainingsdaten (68,0%), Validierungsdaten (17,1%) und Testdaten (14,9%) aufgeteilt. Es wurden zwei verschiedene DCNNs, AlexNet und GoogLeNet, verwendet, um die Bilder als mit Manifestationen von pulmonaler TB oder als gesund zu klassifizieren. Dabei wurden sowohl untrainierte als auch vortrainierte Netzwerke auf ImageNet verwendet und mit mehreren Vorverarbeitungstechniken augmentiert. Ensembles wurden auf den am besten performenden Algorithmen durchgeführt. In Fällen, in denen die Klassifizierer nicht übereinstimmten, interpretierte ein unabhängiger, board-zertifizierter kardiothorakaler Radiologe die Bilder blind, um einen potenziell radiologen-augmentierten Arbeitsablauf zu bewerten. Receiver-Betriebskennlinien und Flächen unter den Kurven (AUCs) wurden verwendet, um die Modellleistung unter Verwendung der DeLong-Methode für den statistischen Vergleich von Receiver-Betriebskennlinien zu bewerten. Ergebnisse: Der am besten performing Klassifizierer hatte eine AUC von 0,99, was ein Ensemble der AlexNet und GoogLeNet DCNNs war. Die AUCs der vortrainierten Modelle waren größer als die der untrainierten Modelle (P © RSNA, 2017.