Dans cet article, nous visons à étudier l'effet du système de triage assisté par ordinateur, qui est mis en œuvre pour le bilan de santé des lésions pulmonaires impliquant des dizaines de milliers de radiographies pulmonaires (CXR) nécessaires au diagnostic. Par conséquent, une grande précision du diagnostic par un système automatisé peut réduire la charge de travail du radiologue lors de l'examen minutieux des images médicales. Nous présentons un modèle d'apprentissage en profondeur afin de détecter efficacement les niveaux anormaux ou d'identifier les niveaux normaux lors du dépistage thoracique de masse afin d'obtenir la confiance en probabilité des CXR. De plus, un auto-encodeur de débruitage sparse convolutionnel est conçu pour calculer l'erreur de reconstruction. Nous utilisons quatre ensembles de données radiologiques accessibles au public concernant les CXR, analysons leurs rapports et utilisons leurs images pour extraire le niveau de maladie correct des CXR qui doivent être soumis à un système de triage assisté par ordinateur. Sur la base de notre approche, nous votons pour la décision finale des multi-classificateurs afin de déterminer les trois niveaux des images (c.-à-d. cas normaux, anormaux et incertains) dans lesquels les CXR entrent. Nous ne traitons que le diagnostic de grade pour l'examen physique et proposons plusieurs nouveaux indices métriques. En combinant des prédicteurs pour la classification en utilisant la zone sous une courbe caractéristique de fonctionnement du récepteur, nous observons que la décision finale est liée au seuil d'erreur de reconstruction et à la valeur de probabilité. Notre méthode atteint des résultats prometteurs en termes de précision de 98,7 et 94,3% sur la base des cas normaux et anormaux, respectivement. Les résultats obtenus par le cadre proposé montrent une supériorité dans la classification du niveau de maladie avec une grande précision. Cela peut potentiellement faire économiser du temps et des efforts aux radiologues, afin de leur permettre de se concentrer sur les CXR à risque plus élevé.

En este artículo, nuestro objetivo es investigar el efecto del sistema de triaje asistido por computadora, que se implementa para el chequeo de salud de lesiones pulmonares que involucran decenas de miles de radiografías de tórax (CXR) que se requieren para el diagnóstico. Por lo tanto, la alta precisión del diagnóstico mediante un sistema automatizado puede reducir la carga de trabajo del radiólogo al analizar las imágenes médicas. Presentamos un modelo de aprendizaje profundo para detectar de manera eficiente niveles anormales o identificar niveles normales durante el cribado torácico masivo para obtener la confianza de probabilidad de los CXR. Además, un autocodificador de eliminación de ruido escaso convolucional está diseñado para calcular el error de reconstrucción. Empleamos cuatro conjuntos de datos de radiología disponibles públicamente relacionados con los CXR, analizamos sus informes y utilizamos sus imágenes para extraer el nivel correcto de enfermedad de los CXR que se enviarán a un sistema de clasificación asistido por computadora. Con base en nuestro enfoque, votamos por la decisión final de los multiclasificadores para determinar en qué tres niveles de las imágenes (es decir, casos normales, anormales e inciertos) caen los CXR. Solo nos ocupamos del diagnóstico de grado para el examen físico y proponemos múltiples índices métricos nuevos. Combinando los predictores para la clasificación mediante el uso del área bajo una curva característica operativa del receptor, observamos que la decisión final está relacionada con el umbral del error de reconstrucción y el valor de probabilidad. Nuestro método logra resultados prometedores en términos de precisión de 98.7 y 94.3% en base a los casos normales y anormales, respectivamente. Los resultados alcanzados por el marco propuesto muestran superioridad en la clasificación del nivel de enfermedad con alta precisión. Esto puede ahorrar tiempo y esfuerzo a los radiólogos, para que puedan centrarse en los CXR de mayor riesgo.

In this paper, we aim to investigate the effect of computer-aided triage system, which is implemented for the health checkup of lung lesions involving tens of thousands of chest X-rays (CXRs) that are required for diagnosis. Therefore, high accuracy of diagnosis by an automated system can reduce the radiologist's workload on scrutinizing the medical images. We present a deep learning model in order to efficiently detect abnormal levels or identify normal levels during mass chest screening so as to obtain the probability confidence of the CXRs. Moreover, a convolutional sparse denoising autoencoder is designed to compute the reconstruction error. We employ four publicly available radiology datasets pertaining to CXRs, analyze their reports, and utilize their images for mining the correct disease level of the CXRs that are to be submitted to a computer aided triaging system. Based on our approach, we vote for the final decision from multi-classifiers to determine which three levels of the images (i.e. normal, abnormal, and uncertain cases) that the CXRs fall into. We only deal with the grade diagnosis for physical examination and propose multiple new metric indices. Combining predictors for classification by using the area under a receiver operating characteristic curve, we observe that the final decision is related to the threshold from reconstruction error and the probability value. Our method achieves promising results in terms of precision of 98.7 and 94.3% based on the normal and abnormal cases, respectively. The results achieved by the proposed framework show superiority in classifying the disease level with high accuracy. This can potentially save the radiologists time and effort, so as to allow them to focus on higher-level risk CXRs.

في هذه الورقة، نهدف إلى التحقيق في تأثير نظام الفرز بمساعدة الكمبيوتر، والذي يتم تنفيذه للفحص الصحي لآفات الرئة التي تنطوي على عشرات الآلاف من الأشعة السينية على الصدر (CXRs) المطلوبة للتشخيص. لذلك، يمكن أن تقلل الدقة العالية للتشخيص بواسطة نظام آلي من عبء عمل أخصائي الأشعة على فحص الصور الطبية. نقدم نموذجًا للتعلم العميق من أجل اكتشاف المستويات غير الطبيعية بكفاءة أو تحديد المستويات الطبيعية أثناء فحص الصدر الشامل من أجل الحصول على ثقة احتمالية تصوير الصدر بالأشعة السينية. علاوة على ذلك، تم تصميم وحدة الترميز التلقائي المتناثرة التلافيفية لحساب خطأ إعادة البناء. نحن نستخدم أربع مجموعات بيانات للأشعة متاحة للجمهور تتعلق بتصوير الصدر بالأشعة السينية، ونحلل تقاريرها، ونستخدم صورها لاستخراج مستوى المرض الصحيح لتصوير الصدر بالأشعة السينية التي سيتم تقديمها إلى نظام فرز بمساعدة الكمبيوتر. استنادًا إلى نهجنا، نصوت للقرار النهائي من المصنفين المتعددين لتحديد المستويات الثلاثة للصور (أي الحالات العادية وغير الطبيعية وغير المؤكدة) التي تقع فيها صور الصدر بالأشعة السينية. نحن نتعامل فقط مع تشخيص الدرجة للفحص البدني ونقترح مؤشرات مترية جديدة متعددة. عند الجمع بين التنبؤات للتصنيف باستخدام المنطقة الموجودة تحت منحنى خاصية تشغيل جهاز الاستقبال، نلاحظ أن القرار النهائي يتعلق بالعتبة من خطأ إعادة البناء وقيمة الاحتمال. تحقق طريقتنا نتائج واعدة من حيث الدقة بنسبة 98.7 ٪ و 94.3 ٪ بناءً على الحالات الطبيعية وغير الطبيعية، على التوالي. تظهر النتائج التي حققها الإطار المقترح التفوق في تصنيف مستوى المرض بدقة عالية. من المحتمل أن يوفر هذا الوقت والجهد لأخصائيي الأشعة، وذلك للسماح لهم بالتركيز على صور الصدر بالأشعة السينية عالية المخاطر.