Автор сценария Эрик Джонс и Эллисон Парк

В одной больнице в Бостоне работают 126 рентгенологов. У Либерии «двое ».

Откровенно говоря, даже если бы эти два радиолога обладали скоростью Вспышки, умственными способностями Эйнштейна и не нуждались в «удобствах», таких как сон и социальная жизнь, бремя болезней грудной клетки оказалось бы невыносимым. Около 18 человек умирают от рака легких за час только в Соединенных Штатах, и это число было бы значительно больше, если бы не регулярный скрининг пациентов и раннее обнаружение узелков. Глубокое обучение может помочь автоматически обнаруживать заболевания грудной клетки на уровне экспертов, предоставляя двум либерийским радиологам некоторую передышку и потенциально спасая бесчисленное количество жизней по всему миру. В этом посте мы рассмотрим текущее состояние глубокого обучения в области визуализации грудной клетки и потенциальные области для улучшения. В частности, мы рассмотрим:

Обнаружение и классификация легочных узелков

  • Современные современные механизмы
  • Сравнение трехмерных и двумерных сверточных нейронных сетей (CNN) для классификации конкреций

Выявление и классификация других аномалий грудной клетки

  • Обнаружение туберкулеза на рентгенограммах грудной клетки
  • Выявление патологии и интерстициальной болезни легких (ILD) на рентгенограммах грудной клетки и компьютерной томографии

Устойчивая интеграция с радиологией

  • Системы поиска изображений

Обнаружение и классификация узелков

Обнаружение и классификация узелков имеет решающее значение для ранней диагностики рака для эффективного лечения. Мы обсудим текущие архитектуры для обнаружения узелков при КТ и ПЭТ-сканировании, а затем оценим различные механизмы повышения производительности модели.

Основы узелков

Легочный узел, или просто узелок для удобства, представляет собой дискретное круглое помутнение в легком, диаметр которого не превышает трех сантиметров. Все, что больше узелка, называется массой, которую проще обнаружить и классифицировать из-за ее большего размера. Хотя около 60% узелков являются доброкачественными, некоторые из них являются ранними формами рака легких.

Раннее обнаружение рака легких имеет решающее значение; 27% всех случаев смерти от рака приходится на рак легких, а ранняя диагностика увеличивает пятилетнюю выживаемость примерно на 50%. По этой причине рутинный скрининг нынешних и бывших заядлых курильщиков стал обычным явлением (теперь они даже покрываются для некоторых в рамках Medicare), что увеличивает вероятность того, что вредоносные узелки будут обнаружены вовремя и будут удалены хирургическим путем. Большая часть современной литературы, посвященной КТ, например, недавняя статья Song et al. (2017) использовали набор данных Консорциум баз данных изображений легких - Инициатива по ресурсам базы данных изображений (LIDC – IDRI) как для обучения, так и для тестирования.

Обнаружение и классификация узелков

Двумя основными задачами обнаружения узелков являются:

  1. Выявление узлов-кандидатов
  2. Устранение «ложноположительных результатов» или узелков, которые не являются предраковыми.

В предыдущих моделях САПР обнаружение не имело значения; координаты конкреций были введены в качестве параметров и использованы для искусственного определения местоположения объектов для классификации. С тех пор сами модели идентифицируют возможные узелки, но для того, чтобы не пропустить потенциально злокачественные узелки, алгоритмы, которые это делают - обычно пороговое значение интенсивности и математическая морфология - настроены на невероятно чувствительные. Мы говорим, что модель чувствительна , если она способна правильно идентифицировать положительные случаи или, в данном случае, узелки с высокой скоростью. Однако количество не конкреций, неправильно классифицированных как конкреции, не имеет значения при расчете чувствительности. Например, если вместо компьютерной томографии ввести пушистую, блестящую, освещенную собаку, вполне вероятно, что современные модели все же идентифицируют несколько узлов-кандидатов. Таким образом, основная проблема при обнаружении узелков сейчас - это уменьшение ложноположительных результатов, чтобы исключить неузелки, обнаруженные при предварительном сканировании.

Существует шесть основных типов узелков, часть из которых используется в модели: твердые, перифиссуральные, кальцифицированные, нетвердые, частично твердые или спикулированные. Сам по себе узелок не является оптимальным для классификации, поскольку узелки одного типа могут значительно различаться по размеру и форме. Небольшие наборы данных, особенно в отношении количества случаев конкретных конкреций, могут значительно снизить производительность модели. Например, предположим, что мы показали вам 30 случаев игольчатых узелков, все из которых имеют диаметр менее одного сантиметра, хотя в действительности колючие узелки могут достигать трех сантиметров в диаметре. Из-за нерепрезентативного образца, который мы вам предоставили, существует риск того, что вы неправильно классифицируете мелкие клубеньки без шипов как шипованные, а крупные шиповатые как что-то еще. Модели, нерепрезентативная выборка которых представлена ​​в виде небольшого набора данных, могут быть подвержены тем же ошибкам.

Неудивительно, что сверточные нейронные сети показали лучшие результаты при обнаружении узелков, чем другие модели. Для полноты: Использование глубокого обучения для классификации легочных узлов на изображениях компьютерной томографии Сонг и др. » (2017) протестировали CNN, глубокую нейронную сеть (DNN) и составной автоэнкодер (SAE) на одном и том же наборе данных, чтобы убедиться, что CNN действительно работает лучше всего. Однако даже самые лучшие модели все равно допускают ошибки классификации. Хотя сам по себе узелок не является оптимальным для классификации из-за небольших наборов данных и большого разброса, контекст узелка или характеристики его окружения могут привести к появлению более полезных функций. Таким образом, CT значительно улучшают классификацию, предоставляя трехмерный контекст.

Мышление в 3-D

Сегодня используются два общих подхода для извлечения трехмерной контекстной и узловой информации. Более примитивный подход состоит в том, чтобы ввести несколько изображений потенциального узелка в одну из трех различных двумерных CNN, а затем объединить различные выходные данные для получения классификации. В частности, мы извлекаем аксиальный, коронарный и сагиттальный виды узелка и некоторых его окрестностей в зависимости от размера узелка. Затем мы вводим эту тройку представлений в двумерные CNN - по одной для каждого представления - и, наконец, используем их соответствующие выходные векторы для генерации классификации с использованием более стандартной модели машинного обучения (часто SVM). Чтобы включить больше трехмерного контекста, мы могли бы дополнительно использовать больше троек аксиальных, коронарных и сагиттальных видов. Эти тройки создаются путем взятия предыдущей тройки и ее поворота в трехмерном пространстве на некоторый угол, при этом узелок находится в центре (на изображении ниже показано смещение на 45 градусов). Затем у нас будет дополнительная информация для окончательной классификации.

Использование нескольких выходных данных модели для создания одной классификации известно как ансамбль классификаторов. Более того, подход с множеством троек более известен как многопоточная сверточная сетевая архитектура. После этого задача классификации остается той же, но с дополнительными входными данными.

Конечно, если мы приложим столько усилий, чтобы использовать двумерные сети для имитации чего-то трехмерного, почему бы в первую очередь не использовать трехмерную CNN? Неудивительно, что трехмерные CNN теперь являются последним словом искусства для обнаружения узелков. Один из распространенных подходов - начать с довольно большого кубического образца, окружающего узелок, который называется рецептивным полем. Затем мы многократно сжимаем поле, тем самым эффективно меняя разрешение, чтобы хотя бы одно представление фокусировалось на наиболее важных деталях классификации.

Каждое разрешение подключается к трехмерной CNN, которая затем выводит классификацию. Интересно, что CNN с относительно небольшими фильтрами оказались наиболее эффективными при классификации узелков, вероятно, отчасти из-за трансферного обучения.

Трансферное обучение

Трансферное обучение включает в себя установку начальных параметров CNN или некоторого подмножества ее слоев на параметры, обученные на другом наборе данных. Например, вместо обучения CNN с нуля на изображениях узелков, CNN предварительно обучается на изображениях многих различных объектов (чаще всего набор данных ImageNet), и изученные параметры в этой задаче используются для инициализации параметров при обнаружении узелков. задача. Для более узких задач, таких как распознавание образов легочной ткани, используются наборы данных текстуры или индивидуальные подмножества ImageNet. Такой метод, вероятно, будет хуже, чем просто обучение CNN с нуля, когда данных достаточно, но на данный момент данных недостаточно. Теоретически рутинный скрининг приведет к большему количеству помеченных данных, но правила конфиденциальности пациентов ограничивают размер общедоступных наборов данных компьютерной томографии грудной клетки. Следовательно, наборы данных медицинских изображений, подобные ChestXray-14, но с КТ вместо рентгеновских снимков грудной клетки (или CXR), могут повысить ценность при обучении или тестировании моделей, даже если их метки несовершенные.

Хотя трехмерная CNN лучше справляется с трехмерными данными, которые предоставляет CT, она имеет значительно больше параметров, чем ее двумерные аналоги, и, следовательно, требует большего количества данных для обучения. Этот факт подчеркивает основную причину, по которой двумерные CNN все еще играют роль в классификации конкреций - они больше подходят для обучения на имеющихся наборах данных и работают лучше, чем наивно применяемые трехмерные CNN. Однако по мере увеличения доступности данных вполне вероятно, что трехмерные CNN станут нормой.

КТ и ПЭТ сканирование

Возможно, самый многообещающий метод классификации узелков, помимо стандартной 3-D CNN, - это модель, обученная на комбинации функций компьютерной томографии и сканирования ПЭТ. Сканирование FDG-PET использует радиоактивно меченый сахар, чтобы наблюдать, как определенные ткани в организме метаболизируют сахар. Например, при раке сахар используется чаще, чем в других тканях, и поэтому он выглядит ярким. Другие заболевания, такие как инфекция или воспаление, также демонстрируют повышенный сигнал FDG-PET. Оценка этих характеристик позволяет обнаруживать метаболические изменения на клеточном уровне, которые могут позволить более раннюю индикацию заболевания, как правило, более ранние индикаторы некоторых заболеваний, чем признаки, извлеченные с помощью компьютерной томографии. Исследование, проведенное Teramoto et al. (2016) вручную извлекли 18 признаков из компьютерной томографии, сосредоточив внимание на компонентах аксиального, коронарного и сагиттального изображений, а также восемь метаболических признаков из ПЭТ-сканирования. Этот механизм, хотя и обеспечивает невысокую производительность, но обладает большим потенциалом; в будущем мы сможем и дальше использовать всю информацию, закодированную в КТ, одновременно расширяя пространство функций, извлекая информацию из сканирований ПЭТ.

Обнаружение и классификация других аномалий

Хотя узелки привлекают наибольшее внимание в приложениях глубокого обучения при визуализации грудной клетки, они далеко не единственное применение. Появились многообещающие новые достижения в обнаружении туберкулеза (ТБ) и других патологий, а также инновационные способы помочь дополнить рабочий процесс радиолога.

Выявление туберкулеза

Одним из наиболее многообещающих направлений для улучшения показаний рентгенографического исследования является тестирование на туберкулез. Туберкулез - одно из самых смертоносных заболеваний, поражающих людей преимущественно в развивающихся странах, где доступ к радиологу может быть ограничен. Для сравнения, в 2016 году во всем мире от туберкулеза умерло 1,7 миллиона человек. Несмотря на то, что существует несколько способов диагностики ТБ, рентген-рентгенограммы, за исключением КТ, которые мы резервируем для особо сложных случаев, являются наиболее надежным механизмом выявления ТБ. Несколько удивительно, что современная модель обнаружения туберкулеза с помощью рентгеновских рентгеновских аппаратов, опубликованная Jaeger et al. (2014), в значительной степени полагается на ручные функции. После сегментации легких их модель извлекает такие характеристики, как интенсивность, края и движение формы, а затем использует SVM для вывода окончательной классификации. В исследовании достигается точность классификации 87–88%, что ниже, чем у человека. Самая последняя попытка применения CNN в значительной степени опиралась на трансферное обучение и работала даже хуже, чем ручное извлечение признаков с последующим использованием SVM, поэтому есть значительные возможности для улучшения.

Существует несколько возможных механизмов улучшения этого алгоритма, большинство из которых зависит от увеличения размера и качества набора данных. Большой набор данных с лучшими метками улучшил бы обобщение для CNN, а также уменьшил бы потребность в переносе обучения. Более того, трехмерный подход с использованием компьютерной томографии также может быть многообещающим, поскольку сканирование с большим количеством данных позволяет извлекать более полезные функции. Более того, дополнительная работа по оптимизации CNN для CXR может стать источником немедленных улучшений.

Выявление и классификация патологии

Узелки в легких являются целью большинства исследований в области радиологии грудной клетки из-за их частоты и часто серьезных разветвлений. Однако это очень специфическая структура, которую нужно искать. Чаще встречаются помутнение легких (такие вещества, как гной, кровь и белок, которые попали в легкие) и кардиомегалия (аномально увеличенное сердце). Эти состояния не могут рассматриваться как болезни изолированно, а скорее интерпретируются как проявление болезни или признак плохого здоровья легких. В дальнейшем мы будем называть их «патологиями». Из-за своей частоты многие задачи, которые исследователи пытались автоматизировать с помощью машинного обучения, связаны с такими видами обнаружения патологий.

Важными случаями, которые необходимо обнаружить при рентгенографии грудной клетки, являются:

  • Отек легких (скопление жидкости в воздушных пространствах легких)
  • Плевральный выпот (скопление жидкости в слизистой оболочке легкого)
  • Пневмоторакс (похож на плевральный выпот, но вместо жидкости накапливается воздух)
  • Уплотнение (воздушные мешочки, заполненные жидкостью, гноем, кровью или клетками)
  • Кардиомегалия (аномально увеличенное сердце)

На КТ-сканировании общей целью классификации является интерстициальное заболевание легких (ВЗЛ), которое описывает группу заболеваний легких, вызывающих воспаление и рубцевание. Раннее выявление признаков ILD имеет решающее значение, поскольку они вызывают затруднение дыхания и боли в груди, а также могут указывать на угрожающие заболевания. Например, краткосрочные показатели смертности от обычной интерстициальной пневмонии (UIP), формы ILD, превышают 50% в большинстве опубликованных серий. Более того, поскольку причины ILD включают воздействие экологических или промышленных токсинов, таких как загрязнение или асбест, улучшение моделей CAD для ILD будет иметь решающее значение для улучшения здоровья населения в развивающихся регионах мира.

Признаки ILD, идентифицируемые на компьютерной томографии, включают:

  • Ретикуляция (сетчатый узор)
  • Соты (неравномерно утолщенные стенки вместе с небольшими кистами)
  • Эмфизема (поврежденные воздушные мешки, вызывающие разрыв внутренних стенок)
  • Непрозрачность матового стекла (частичное заполнение воздушных пространств и частичное обрушение вентиляционных установок)
  • Уплотнение (воздушные мешочки, заполненные жидкостью, гноем, кровью или клетками)
  • Микроузлы (узелки менее 3 миллиметров в диаметре)

Побочным продуктом всех этих случаев, которые необходимо обнаружить, является проблема мультиклассовой классификации с входными изображениями. Многие исследования действительно использовали эту структуру для преимущественного использования CNN для классификации изображений по одному из случаев. Чтобы обойти небольшой объем доступных данных, в исследованиях снова использовалась комбинация трансферного обучения с настройкой на основе рентгенограммы или была предпринята попытка дополнить данные путем обрезки изображений и линейных преобразований. Наилучшая точность 78 ~ 91% (в зависимости от каждой категории классификации) была достигнута Cicero et al. (2017), обучая GoogLeNet CNN работе с 32600 CXR с метками, которые были отсортированы с помощью ключевых слов включения-исключения в отчетах. Аналогичным образом, для данных CT (в частности, двумерных срезов данных CT), CNN, которые хорошо обрабатывают наборы данных текстуры, были выбраны для передачи обучения, чтобы проверить различные шаблоны ILD. Наиболее заметные результаты были получены в исследовании Christodoulidis et al. (2016) с использованием ансамбля CNN, обученных на шести базах данных текстур, с показателем F1 0,8817.

Однако точность сильно различается в зависимости от класса из-за недостаточного количества данных и дисбаланса между примерами более общих и более редких отклонений. Например, пневмоторакс - это аномалия, наблюдаемая гораздо реже, чем плевральный выпот. Из-за его относительной редкости, согласно исследованию Cicero et al. (2017), требуемый размер выборки для достижения чувствительности 78% для пневмоторакса составлял более 26000, что составляло почти половину их всей базы данных, содержащей все шесть категорий. Набор данных, содержащий высококачественные аннотированные примеры, достаточно большой, чтобы исключить риск искажения модели, значительно расширил бы нашу способность как более надежно диагностировать распространенные заболевания, так и начать разработку моделей для диагностики менее распространенных. Вот почему появился ряд новых подходов к классификации патологий, чтобы не просто точно классифицировать изображения, но и создавать аннотации, которые обеспечивают лучший контекст для обнаруженных аномалий.

Новые подходы к совершенствованию классификации патологий

Радиологи не просто смотрят на результаты анализов, ставят диагноз и не останавливаются на достигнутом; они предоставляют отчеты с описанием своих конкретных результатов, включая размер, местоположение и серьезность отклонения. С этой точки зрения исследование Shin et al. (2016) сформулировали задачу как задачу генерации подписи к изображениям. В наборе данных отчетов, написанных на рентгеновских снимках грудной клетки, аннотации, указывающие на аномалии, были сначала добыты и использованы в качестве меток в CNN. Для первого CNN GoogLeNet показал лучшие результаты, чем модель Сеть-в-сети на 4%. Затем были обучены рекуррентные нейронные сети (RNN), принимая метки, предсказанные из бывшей CNN, в качестве начальных входных данных и последовательно вводя следующие пять слов. Этот процесс заключался в том, чтобы понять контекст, в котором были представлены метки, и сохранить информацию о местоположении, размере, количестве и серьезности отклонения от нормы. Наконец, CNN была повторно обучена генерировать описания на основе рентгеновского изображения с использованием аннотаций с контекстом, полученным из RNN.

Сгенерированные предложения были примерно на 79,3% аналогичны ссылочным предложениям (с использованием метрики BLEU, которая измеряет точность сгенерированных предложений по отношению к ссылочным предложениям).

Другой уникальный подход был в исследовании Gao et al. (2016) для классификации патологий в пикселях в КТ-срезах с отсутствующей или неправильной аннотацией. В структуре распространения меток сегментации области интереса (ROI), нарисованные вручную рентгенологами, использовались на пиксельной основе. Вместо того, чтобы классифицировать каждое изображение, в исследовании была предпринята попытка классифицировать каждый пиксель, определяя, входит ли он в ROI или нет, путем комбинирования CNN с полностью связанной моделью условного случайного поля (CRF). Во-первых, модель CNN AlexNet, обученная на ImageNet, была настроена на патчах изображений из ROI. Затем, рассматривая помеченные пиксели из CNN как жесткие ограничения, вероятности каждой метки для немаркированных пикселей были выведены с использованием алгоритма вывода CRF. В исследовании была достигнута общая точность 92,8%, и, что более важно, количество автоматически аннотированных пикселей было в 7,8 раз больше, чем количество пикселей с исходными аннотациями. Это достижение особенно важно, потому что отсутствие надежных аннотированных наборов данных является критической проблемой для реализации машинного обучения на данных визуализации грудной клетки.

Стабильная интеграция с радиологией

Получение изображений: рекомендации Netflix для радиологии

В конечном итоге, хотя модели для каждой из этих аномалий могут в какой-то момент использоваться как инструмент диагностики, важным промежуточным шагом является интеграция с текущими рабочими процессами радиологии. Один новый инструмент, разработанный специально для этой цели, называется поиск изображений. Интегрированные системы поиска изображений позволят рентгенологам сделать рентгеновский снимок или компьютерную томографию, в которых они не уверены, искать похожие изображения в какой-либо базе данных, а затем просматривать аннотации, врачей и диагнозы на этих похожих изображениях. Двумя основными подходами к поиску изображений являются на основе дескрипторов, при которых просто сравниваются необработанные изображения, и на основе классификации, когда рассчитываются и затем сравниваются вероятности определенных характеристик, которые содержит каждое изображение. Независимо от подхода, использование евклидова расстояния для получения аналогичных результатов довольно распространено, хотя изучение расстояния Махаланобиса также оказалось эффективным.

Чем больше база данных, тем выше вероятность нахождения подходящего совпадения. Однако другая основная проблема возникает из-за различий в качестве изображения; изображения одного и того же пациента с разным разрешением могут не совпадать. Таким образом, какой-то тип нормализации для учета различий в разрешении и угле обзора невероятно важен, и есть одна четкая потенциальная область для улучшения.

Заключительные замечания

В этом посте мы обсудили несколько современных моделей и новые подходы к обнаружению, классификации и анализу различных аномалий грудной клетки. Самым большим препятствием на пути к достижению сверхчеловеческой производительности, похоже, является отсутствие больших высококачественных наборов данных. Тем не менее, будущее выглядит светлым - с более крупными, лучше аннотированными наборами данных и инновационными моделями, предназначенными для работы с медицинскими изображениями, вполне вероятно, что глубокое обучение принесет феноменальное улучшение эффективности рабочего процесса радиологов и качества радиологической диагностики во всем мире.

Благодарности

Мы хотели бы выразить нашу благодарность Мэтью Лунгрену, доктору медицины, магистру здравоохранения, доценту радиологии в Медицинском центре Стэнфордского университета, и Бхавику Пателю, доктору медицины, MBA, доценту радиологии Медицинского центра Стэнфордского университета, за предоставленные отзывы. Мы также хотели бы поблагодарить Pranav Rajpurkar, Jeremy Irvin, Jessica Wetstone, Chris Lin, Norah Borus и Tanay Kothari из Stanford ML Group за их комментарии.

использованная литература

Армато С.Г., МакЛеннан Г., Бидаут Л. и др., 2011. Консорциум баз данных изображений легких (LIDC) и Инициатива по ресурсам базы данных изображений (IDRI): завершенная справочная база данных узловых образований в легких при компьютерной томографии. Медицинская физика. 2011; 38 (2): 915–931. DOI: 10,1118 / 1,3528204.

Christodoulidis, S., Anthimopoulos, M., Ebner, L., Christe, A., Mougiakakou, S., 2017. Обучение с передачей из нескольких источников с помощью сверточных нейронных сетей для анализа паттернов легких. IEEE J Biomed Health Inform 21, 76–84.

Цицерон, М., Билбили, А., Колак, Э., Дауделл, Т., Грей, Б., Перампаладас, К., Барфет, Дж., 2016. Обучение и проверка сверточной нейронной сети с глубоким слоем памяти для компьютерного обнаружения и классификация аномалий на фронтальных рентгенограммах грудной клетки. Invest Radiol, в прессе.

Ciompi, F., de Hoop, B., van Riel, SJ, Chung, K., Scholten, ET, Oudkerk, M., de Jong, PA, Prokop, M., van Ginneken, B., 2015. Автоматическая классификация эри-фиссуральных узелков легких в компьютерной томографии с использованием набора 2D-изображений и готовой сверточной нейронной сети. Med Image Anal 26, 195–202.

Ciompi, F., Chung, K., van Riel, S., Setio, AAA, Gerke, P., Jacobs, C., Scholten, E., Schaefer-Prokop, C., Wille, MW, Marchiano, A. , Пасторино, У., Прокоп, М., Ван Гиннекен, Б., 2016. К автоматическому управлению легочными узлами при скрининге рака легких с глубоким обучением. DOI: 10.1038 / srep46479

Доу, К., Чен, Х., Ю, Л., Цинь, Дж., Хэн, П. А., 2016b. Многоуровневые контекстные 3D CNN для уменьшения ложноположительных результатов при обнаружении легочных узлов, в печати.

Гао, М., Сюй, З., Лу, Л., Харрисон, А. П., Саммерс, Р. М., Моллура, Д. Дж., 2017. Обнаружение холистических интерстициальных заболеваний легких с использованием глубоких сверточных нейронных сетей: обучение с несколькими метками и неупорядоченное объединение.

Гао, М., Сюй, З., Лу, Л., Ног, И., Саммерс, Р., Моллура, Д., 2016c. Распространение меток сегментации с использованием глубоких сверточных нейронных сетей и плотного условного случайного поля. В: IEEE Int Symp Biomedical Imaging. С. 1265–1268.

Hwang, S., Kim, H.-E., Jeong, J., Kim, H.-J., 2016. Новый подход к скринингу на туберкулез, основанный на глубоких сверточных нейронных сетях. В: Медицинская визуализация. Vol. 9785 Труды SPIE. стр. 97852W – 1.

Джагер, С., Караргирис, А., Кандемир, С., Фолио, Л., Сигельман, Дж., Каллаган, Ф., Сюэ, З., Паланиаппан, К., Сингх, Р. К., Антани, С., Тома , G., Wang, Y.-X., Lu, P, -X ,, McDonald, CJ, 2014. Автоматический скрининг туберкулеза с использованием рентгенограмм грудной клетки. IEEE Trans Med Imaging 33: 233–245. DOI: 10.1109 / TMI.2013.2284099.

Розенталь, А., Габриэлян, А., Энгл, Э., Херт, Д.Е., Александру, С., Круду, В., Сергеев, Э., Кириченко, В., Лапицкий, В., Снежко, Э., Ковалев , В., Астровко, А. и др., 2017. Туберкулезные порталы: открытая веб-платформа для обмена и анализа глобальных данных о лекарственно-устойчивом туберкулезе. J Clin Microbiol 55: 3267–3282. DOI: 10.1128 / JCM.01013-17.

Сетио, ААА, Чиомпи, Ф., Литдженс, Г., Герке, П., Якобс, К., ван Риель, С., Вилле, М.В., Накибулла, М., Санчес, К., ван Гиннекен, Б., 2016. Обнаружение легочных узелков на КТ-изображениях: уменьшение ложноположительных результатов с использованием многовидовых сверточных сетей. IEEE Trans Med Imaging 35 (5), 1160–1169.

Шин, Х.-К., Робертс, К., Лу, Л., Демнер-Фушман, Д., Яо, Дж., Саммерс, Р. М., 2016a. Обучение чтению рентгеновских снимков грудной клетки: модель рекуррентного нейронного каскада для автоматической аннотации изображений. arXiv: 1603.08486.

Сонг К., Чжао Л., Ло X., Доу X., 2017. Использование глубокого обучения для классификации узлов в легких на изображениях компьютерной томографии. Журнал инженерии здравоохранения. 2017; 2017: 8314740. DOI: 10.1155 / 2017/8314740.

Терамото, А., Фудзита, Х., Ямамуро, О., Тамаки, Т., 2016. Автоматическое обнаружение легочных узелков на изображениях ПЭТ / КТ: ансамблевое ложноположительное сокращение с использованием метода сверточной нейронной сети. Med Phys 43, 2821–2827.

Вэй, Г., Ма, Х., Цянь, В., Цю, М., 2016. Измерение сходства масс легких для поиска медицинских изображений с использованием полууправляемой метрики расстояния на основе ядра.