Abstract The goal of this study is

Abstract The goal of this study is to evaluate the efficacy of deep convolutional neural networks (DCNNs) in differentiating subtle, intermediate, and more obvious image differences in radiography. Three different datasets were created, which included presence/absence of the endotracheal (ET) tube (n = 300), low/normal position of the ET tube (n = 300), and chest/abdominal radiographs (n = 120). The datasets were split into training, validation, and test. Both untrained and pre-trained deep neural networks were employed, including AlexNet and GoogLeNet classifiers, using the Caffe framework. Data augmentation was performed for the presence/ absence and low/normal ET tube datasets. Receiver operatingcharacteristic (ROC), area under the curves (AUC), and 95% confidence intervals were calculated. Statistical differences of the AUCs were determined using a non-parametric approach. The pre-trained AlexNet and GoogLeNet classifiers had perfect accuracy (AUC 1.00) in differentiating chest vs. abdominal radiographs, using only 45 training cases. For more difficult datasets, including the presence/absence and low/normal position endotracheal tubes, more training cases, pre-trained networks, and data-augmentation approaches were helpful to increase accuracy. The best-performing network for classifying presence vs. absence of an ET tube was still very accurate with an AUC of 0.99. However, for the most difficult dataset, such as low vs. normal position of the endotracheal tube, DCNNs did not perform as well, but achieved a reasonable AUC of 0.81.

結果 (繁體中文) 1:

摘要本研究的目的是在區分攝片微妙，中間和較明顯的差異的圖像來評價深卷積神經網絡（DCNNs）的功效。三個不同的數據集被創建，其包含存在/不存在的氣管內（ET）管（N = 300），低/正常的ET管（N = 300）的位置的，和胸部/腹部X光片（N = 120）。該數據集被分成培訓，驗證和測試。雙方未經訓練和預先訓練深層神經網絡被採用，包括AlexNet和GoogLeNet分類，使用來自Caffe框架。對於存在/不存在和低/正常ET管數據集進行數據擴張。接收機operatingcharacteristic（ROC），曲線（AUC）下的面積，和95％置信區間的計算。使用非參數方法確定了的AUC的統計學差異。預先訓練AlexNet和GoogLeNet分類鑑別與胸部腹部X光片有完美的精確度（AUC 1.00），僅使用45訓練情況。對於比較難的數據集，包括存在/不存在和低/正常位置氣管導管，更多的訓練的情況下，預先訓練網絡，和數據增強方法都有助於提高精度。用於分類存在與不存在的ET管的表現最好的網絡仍然是非常準確，0.99的AUC。然而，對於最困難的數據集，例如氣管內管的低與正常位置，DCNNs沒有執行為好，但實現的0.81合理AUC。預先訓練AlexNet和GoogLeNet分類鑑別與胸部腹部X光片有完美的精確度（AUC 1.00），僅使用45訓練情況。對於比較難的數據集，包括存在/不存在和低/正常位置氣管導管，更多的訓練的情況下，預先訓練網絡，和數據增強方法都有助於提高精度。用於分類存在與不存在的ET管的表現最好的網絡仍然是非常準確，0.99的AUC。然而，對於最困難的數據集，例如氣管內管的低與正常位置，DCNNs沒有執行為好，但實現的0.81合理AUC。預先訓練AlexNet和GoogLeNet分類鑑別與胸部腹部X光片有完美的精確度（AUC 1.00），僅使用45訓練情況。對於比較難的數據集，包括存在/不存在和低/正常位置氣管導管，更多的訓練的情況下，預先訓練網絡，和數據增強方法都有助於提高精度。用於分類存在與不存在的ET管的表現最好的網絡仍然是非常準確，0.99的AUC。然而，對於最困難的數據集，例如氣管內管的低與正常位置，DCNNs沒有執行為好，但實現的0.81合理AUC。包括存在/不存在和低/正常位置氣管導管，更多的訓練的情況下，預先訓練網絡，和數據增強方法都有助於提高精度。用於分類存在與不存在的ET管的表現最好的網絡仍然是非常準確，0.99的AUC。然而，對於最困難的數據集，例如氣管內管的低與正常位置，DCNNs沒有執行為好，但實現的0.81合理AUC。包括存在/不存在和低/正常位置氣管導管，更多的訓練的情況下，預先訓練網絡，和數據增強方法都有助於提高精度。用於分類存在與不存在的ET管的表現最好的網絡仍然是非常準確，0.99的AUC。然而，對於最困難的數據集，例如氣管內管的低與正常位置，DCNNs沒有執行為好，但實現的0.81合理AUC。

結果 (繁體中文) 2:

摘要 本研究旨在評價深層卷積神經網路（DCNN）在區分放射成像中細微、中間和更明顯的圖像差異方面的有效性。創建了三個不同的資料集，包括內切管（n = 300）、ET 管的低/正常位置（n = 300）和胸部/腹部放射成像儀（n = 120）的存在/缺失。資料集被拆分為訓練、驗證和測試。使用 Caffe 框架，使用了未經訓練和預先訓練的深層神經網路，包括 AlexNet 和 GoogLeNet 分類器。對存在/缺失和低/正常 ET 管資料集進行了資料擴充。計算了接收器工作特性（ROC）、曲線（AUC）下的面積和95%的置信區間。使用非參數方法確定AuC的統計差異。預先訓練的AlexNet和GoogLeNet分類器在區分胸部和腹部放射成像時具有完美的精度（AUC 1.00），僅使用45個訓練案例。對於比較困難的資料集，包括存在/缺失和低/正常位置內切管，更多的培訓案例、預先培訓的網路和資料擴充方法有助於提高準確性。在 AUC 為 0.99 的情況下，用於對存在與缺少 ET 管進行分類的最佳性能網路仍然非常準確。然而，對於最困難的資料集，如內切管的低與正常位置，DCN沒有很好地執行，但實現了0.81的合理AUC。

結果 (繁體中文) 3:

摘要本研究的目的是評估深度卷積神經網路（DCNNs）在區分放射影像中細微、中間及較明顯影像差异方面的效能。建立了三個不同的數据集，包括有無氣管插管（n=300）、氣管插管低位/正常比特（n=300）和胸片/腹部片（n=120）。數据集分為訓練、驗證和測試。使用Caffe框架，使用未經訓練和預先訓練的深層神經網路，包括AlexNet和GoogLeNet分類器。對存在/不存在和低/正常ET管數据集進行數據增强。計算了接收機工作特性（ROC）、曲線下面積（AUC）和95%置信區間。採用非參數方法測定AUC的統計差异。預先訓練的AlexNet和GoogLeNet分類器在區分胸片和腹部片方面具有完美的準確性（AUC 1.00），僅使用45個訓練案例。對於更困難的數据集，包括氣管導管的存在/缺失和低/正常位置，更多的訓練案例、預先訓練的網絡和數據增强方法有助於提高準確性。對存在與不存在ET管進行分類的最佳網絡仍然非常準確，AUC為0.99。然而，對於最困難的數据集，如氣管導管的低位與正常位置，DCNNs的表現並不好，但其AUC值達到了0.81。