European Radiology：基于深度学习和线性回归级联算法的胸片自动质量评估

现阶段，胸部X线片是最常进行的放射诊断检查。图像质量评估在提高图像质量和诊断准确性方面起着重要作用。现阶段，临床上胸部X线片的质量评估（QA）仍然是一个手工过程，并且受到观察者之间一致性差和可纳入评估的图像数量少的限制，这限制阻碍了医疗机构对整体图像质量的分析。

近年来，深度学习算法已被广泛用于肺部结节的检测、骨骼和关节的自动测量以及放射学研究中的图像分割，这些计算机辅助技术为诊断提供了实质性的改进。用于图像质量控制的深度学习主要限于优化图像质量，缺乏对图像质量评估的应用。

近日，发表在European Radiology杂志的一项研究开发了一个基于深度学习和线性回归级联算法的评估图像质量的全自动系统，并验证了该系统的性能，为临床胸部X线片的图像布局和位置构建提供了客观和定量的评估指标。

本项回顾性研究使用了10个定量指标来捕捉放射科医生对胸部X线片的图像布局和位置的主观感受，包括胸部边缘、视场（FOV）、锁骨、旋转、肩胛骨和对称性。利用由1025张成人前后位胸片组成的训练数据集开发了一个自动评估系统。评估的步骤包括(i) 使用基于ResNet-34的CNN框架获得定量指数的测量参数，以及(ii) 使用多元线性回归模型分析定量指数，获得胸部X线片布局和位置的预测分数。在测试数据集中（n = 100），使用类内相关系数（ICC）、皮尔逊相关系数（r）、平均绝对差异（MAD）和平均绝对百分比误差（MAPE）评估了自动化系统的性能。 

逐步回归显示10个定量指标与主观评分之间存在统计学上的显著关系（P < 0.05）。深度学习模型在预测定量指数方面显示出较高的准确性（ICC=0.82至0.99，r=0.69至0.99，MAD=0.01至2.75）。自动系统提供的评估与放射科医生关于图像布局（MAPE = 3.05%）和位置（MAPE = 5.72%）的平均意见得分相似。 

图 解剖学标签和定量指数的测量。A 16个标签和4个分割的区域。B 胸部四个边缘的距离和有效辐射的区域。C 旋转的程度。D 锁骨倾斜角、锁骨高度差和脊柱中线的偏离程度。E 肩胛骨和肺部区域的重叠面积

本研究提出了10个用于量化胸部X光片的布局和位置质量的客观指标。本研究表明，基于DL和线性回归级联算法的自动评估系统可以客观、准确地评估胸部X线片的图像质量。

原文出处：

Yu Meng,Jingru Ruan,Bailin Yang,et al.Automated quality assessment of chest radiographs based on deep learning and linear regression cascade algorithms.DOI:10.1007/s00330-022-08771-x