《Pattern Recognition》:Targeted frequency modulation for robust neonatal respiratory distress classification
编辑推荐:
•目标频率调制仅改变实傅里叶谱中选定的频率分量•频率离群频带估计选择信息丰富的频率分量并防止空掩码•挤压激励门限调制强度以实现稳定训练•离群频带门控模块无需重新设计即可插入 Swin Transformer 阶段•适用于新生儿呼吸窘迫综合征和成人胸部 X 光片数据。引言新生儿
- •
目标频率调制仅改变实傅里叶谱中选定的频率分量
- •
频率离群频带估计选择信息丰富的频率分量并防止空掩码
- •
挤压激励门限调制强度以实现稳定训练
- •
离群频带门控模块无需重新设计即可插入 Swin Transformer 阶段
- •
适用于新生儿呼吸窘迫综合征和成人胸部 X 光片数据。
引言
新生儿呼吸窘迫综合征 (RDS) 是一种由表面活性物质缺乏引起的呼吸障碍,其诊断基于呼吸症状、氧气需求、呼吸支持需求以及胸部 X 光发现,而非单一的确定性测试 [1]。典型的放射学发现包括肺容量低、弥漫性磨玻璃样不透明和支气管充气征 [2]。如表 1 所示,尽管出生率下降,韩国的确诊 RDS 率仍在上升 [3],这凸显了基于胸部 X 光的自动化诊断支持日益增长的需求。
由于患者体位和采集条件难以标准化,新生儿胸部 X 光片存在很大差异 [4]。新生儿重症监护室图像也常包含设备,如气管插管、中心静脉导管和监测线 [5]。在这种情况下,模型可能会优先考虑视觉上显著的设备或背景模式,而不是肺部发现 [6]。依赖这种捷径线索可能会损害模型的可靠性和可解释性 [7]。深度学习模型已在检测胸部 X 光片上的线和管方面取得了高性能 [8],并且据报道气管插管位置评估具有高敏感性和特异性 [9]。这些结果表明,与设备相关的线索很容易学习。因此,在 RDS 分类中,模型可能会关注医疗设备而不是潜在病理 [10],并且这种由捷径驱动的行为也可能损害跨患者群体的公平性 [11]。
鲁棒学习方法解决了医学影像中的虚假相关性 [12],而基础模型强调了泛化、安全性和偏差控制的重要性 [13]。肺部掩码通过减少背景影响提供了一个有效的第一步 [14]。分割 - 分类流水线将分析集中在肺区域,减少肺外干扰,并已与伦理多样的骨干网络配对 [15]、[16]、[17]、[18]。由于设备模式和边界变化可能保留在肺野内 [19],我们的框架通过逐样本频率选择和输出重新掩码补充肺部掩码。
频率域预处理长期以来一直被用于增强纹理和抑制噪声 [20]。然而,全局频率调整会影响病变相关和不相关的信号,可能会削弱关键诊断线索,例如在细微纹理模式很重要的 RDS 等任务中。因此,对诊断相关频率坐标的选择性处理比所有成分的均匀调制更合适。本研究区分了两个目标:临床目标是新生儿 RDS 分类,方法论贡献是适用于容易走捷径的成像条件的逐样本、掩码约束频率调制方法。为此,我们提出了频率离群频带估计 (FOBE) 来识别重要坐标,以及目标频率调制 (TFM) 来调制这些坐标。
- •
我们提出了目标频率调制 (TFM) 模块,它通过仅调制掩码选择的频率分量而保留其他所有频率分量来执行离群频带门控 (OBG)。
- •
我们引入了频率离群频带估计 (FOBE),它使用逐样本频谱统计量、半径约束阈值和救援规则(Top- 可选; 本工作中)来识别离群频率坐标。
- •
为了骨干网络集成,我们设计了一个可插入的 OBG 模块,它包装 TFM 模块(FOBE 和基于 SE 的频率选择门),使能自适应、带限调制而不改变骨干架构。
章节摘要
胸部 X 光片分类中基于纹理的表示和与捷径相关的线索
在胸部 X 光片分类中,细微的肺部纹理提供了重要的判别线索,尽管非因果信号也可能影响模型预测 [6]。先前的研究采用了基于傅里叶和小波的表示来分析频带特定的纹理信息 [21];然而,没有任何研究明确识别出与病变区分相关的样本特定频率分量。
频率域预处理和选择性调整
频率域处理长期以来一直被用于降噪和纹理增强 [20]。
方法
这项工作受新生儿 RDS 中观察到的细微肺纹理和不透明模式启发,旨在限制由设备和边界噪声引起的频谱失真。该公式允许相关频率坐标在不同样本间变化,而不是施加固定的诊断频带:FOBE 为每个输入估计离群坐标,TFM 仅调制这些选定坐标。
基于这一动机,我们提出了目标频率调制 (TFM) 模块,它计算
实验与结果
本节介绍了用于评估所提方法在模型和数据集设置下的比较实验、插入点分析、消融研究和可视化。
局限性
新生儿评估使用了一个回顾性单中心队列,包含 632 张放射图像,限制了关于跨机构和成像系统泛化性的结论。人口统计学和采集元数据有限,隐私保障措施限制了图像和掩码的再分发。因此,需要具有协调元数据的多中心新生儿队列。案例级五折交叉验证、补充的 CheXpert 和 NIH 实验,以及发布的代码和队列方案
结论
本研究证明了逐样本、掩码约束的频谱调制用于新生儿 RDS 分类的可行性。TFM 和 FOBE 选择输入依赖的离群频率分量,保留未选定的频率,并在可插入的 OBG 模块内应用有界通道调制。在主要任务中,TFM 达到了 88.39% 的平均 AUROC,与 MedCLIP 的配对样本外比较倾向于 TFM。模块化包装器和发布的实现允许研究人员添加选择性频率控制
CRediT 作者贡献声明
Yeon-Ju Kim:撰写 – 初稿,可视化,验证,软件,方法,形式分析,概念化。Sunkyoung You:撰写 – 初稿,可视化,软件,方法,形式分析,数据管理。Seoyeon Oh:撰写 – 审阅与编辑,验证,调查,数据管理。Meayoung Chang:撰写 – 审阅与编辑,验证,方法。Mi-Hyeon Gang:撰写 – 审阅与编辑,验证,方法,形式分析,数据管理。Haneol Jang:
关于稿件准备过程中生成式人工智能和人工智能辅助技术的声明
在准备本稿件期间,作者使用 ChatGPT 和 Gemini 协助翻译并提高文本的清晰度和可读性。在使用这些工具/服务后,作者根据需要审阅和编辑了内容,并对已发表文章的内容承担全部责任。
未引用参考文献
[28], [29], [30], [31], [32], [33], [34]
利益冲突声明
作者声明以下财务利益/个人关系,可能被视为潜在竞争利益:Haneol Jang 报告获得了通过大田 RISE 中心的区域创新系统 & 教育 (RISE) 项目的财务支持。如果有其他作者,他们声明没有已知的竞争财务利益或个人关系可能影响本报告中报告的工作。
致谢
本研究由大田 RISE 中心通过区域创新系统 & 教育 (RISE) 项目支持,由大韩民国教育部 (MOE) 和大韩民国大田广域市 资助 (2025-RISE-06-002)。本研究还得到了韩帛国立大学 2024 年 研究基金的支持。
Yeon-Ju Kim|Sunkyoung You|Seoyeon Oh|Meayoung Chang|Mi-Hyeon Gang|Haneol Jang