通过重新加权源数据来提高基于CT的肺炎分类的性能
Pengtao Xie1, Xingchen Zhao2, Xuehai He3
1Department of Electrical and Computer Engineering, University of California San Diego, San Diego, USA. p1xie@eng.ucsd.edu.
Scientific reports
|June 9, 2023
概括
这项研究引入了一种新的方法,用于使用深度学习在CT扫描中改善肺炎检测. 它通过优化可用的医学成像数据的使用来有效地解决数据稀缺问题,提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 肺炎的诊断严重依赖于计算机断层扫描 (CT) 成像.
- 深度学习模型提供了在CT扫描中自动检测肺炎的潜力.
- 获取大型注释CT数据集用于培训是具有挑战性的,因为隐私和成本.
研究的目的:
- 开发一种改进CT扫描中肺炎检测的方法,当标记数据稀缺时.
- 利用源域的数据来提高目标域的性能,并提供有限的注释.
- 为了解决现有的深度学习方法的局限性,这些方法需要大量的标记数据.
主要方法:
- 使用三级优化策略来利用源域CT数据.
- 该方法自动识别和减轻低质量或不一致的源数据示例.
- 优化涉及将在重权化源数据上训练的目标模型的验证损失降至最低.
主要成果:
- 拟议的方法在检测一般性肺炎方面获得了91.8%的F1评分.
- 检测其他类型肺炎的F1得分为92.4%.
- 在目标数据集上,性能明显超过了最先进的基线方法.
结论:
- 开发的方法有效地减轻了用于肺炎检测的有限标记CT扫描的挑战.
- 利用和优化源域数据可以提高医学成像中的深度学习模型的准确性和效率.
- 这种方法为在数据稀缺的情况下增强放射性诊断提供了有希望的解决方案.
