Uncertainty-Aware Compositional Localization and Placement Assessment of Catheters and Tubes in Chest X-Rays
Di cosa parla
Un sistema per trovare e valutare singoli cateteri e tubi nelle radiografie del torace, affrontando il problema che molte tecniche attuali perdono il controllo dei singoli dispositivi o confondono più cateteri quando si sovrappongono. Il metodo riconosce piccoli frammenti dei dispositivi, li ricompone in singole istanze, stima la posizione della punta indicando anche quanto è sicuro di quella stima, e decide se il posizionamento è corretto. È progettato per poter essere eseguito su apparecchiature cliniche con risorse limitate.
Cosa permette di osservare
Consente di esplorare come valutare ogni catetere separatamente anche in presenza di sovrapposizioni e come rappresentare l’incertezza sulla posizione della punta per chi interpreta l’immagine; inoltre mette al centro la possibilità di usare il sistema su hardware clinico meno potente.
Dalla fonte
Assessing catheter and tube placement on chest X-rays is safety-critical yet tedious and error-prone. Current deep learning methods either classify placement globally -- losing track of which device is where -- or segment all devices into a single mask, making per-device assessment impossible when catheters overlap. We introduce UCompCXR, a compositional framework that detects local catheter fragments, associates them into device instances via graph-based clustering, fuses per-fragment tip predictions through precision-weighted Gaussian estimation, and classifies placement per device. On the RANZCR CLiP dataset (30,083 images, 5-fold patient-level CV with bootstrap CIs), UCompCXR detects 26% more devices than a strong multi-task baseline sharing the same MobileNetV3 backbone, with 75% fewer false positives and well-calibrated tip uncertainty (95% coverage = 0.948). The aggregate tip err…