对影响深度学习模型通用性的共同因素的系统分析 肝脏细分中的深度学习模型通用性
Brandon Konkel1, Jacob Macdonald1, Kyle Lafata1
1From the Department of Radiology (B.K., J.M., K.L., I.H.Z., E.B., M.C., G.J., W.F.W., M.R.B.), Department of Radiation Oncology (K.L.), and Department of Medicine, Division of Gastroenterology (M.R.B.), Duke University School of Medicine, Duke University Medical Center, Box 3808, Durham, NC 27710; Department of Electrical & Computer Engineering, Duke University Pratt School of Engineering, Durham, NC (K.L., Y.W.); Department of Radiology, Faculty of Medicine, Benha University, Benha, Egypt (I.H.Z.); Department of Radiology, College of Medicine-Tucson, University of Arizona, Tucson, AZ (E.B.); and Department of Radiology, Rutgers Health-Newark Beth Israel Medical Center, Newark, NJ (M.C.).
多样化训练数据提高了深度学习肝脏细分的概括性. 在各种软组织对比数据上训练的模型,如动态MRI和相反相扫描,在不同的供应商,MRI类型和CT模式中表现更好.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 肝脏细分的深度学习模型需要在各种成像数据中进行强大的概括性.
- 图像协议,供应商和模式 (MRI,CT) 的变化给模型性能带来了挑战.
- 了解培训数据特征的影响对于开发可靠的细分工具至关重要.
研究的目的:
- 评估不同类型的训练数据如何影响深度学习模型对肝脏细分的概括性.
- 识别特定的成像序列,以提高跨未见数据域的模型性能.
主要方法:
- 一项回顾性研究使用了860个腹部MRI和CT扫描,以及210个公共数据集卷.
- 五个单源模型被训练在不同的MRI序列类型 (dynportal,dynpre,opposed,ssfse,t1nfs).
- 一个多源模型 (DeepAll) 被训练在各种数据集上,结合所有序列类型;所有模型都在18个看不见的目标域上进行了测试.
主要成果:
- 单一来源模型显示出不同的概括性;动态T1加权模型在类似数据上表现良好 (DSC=0.848).
- 反相模型适度概括到未见的MRI类型 (DSC=0.703) 和CT (DSC=0.744).
- DeepAll模型在供应商,模式和MRI类型中表现出强大的通用性,优于单一来源模型.
结论:
- 肝脏细分的域移动与软组织对比度变化有关.
- 用各种软组织表示形式多样化训练数据有效地弥合了领域的差距.
- 多源培训策略提高了深度学习肝脏细分模型的稳定性和通用性.
