为高效的深度学习提供高效的标签:多图像排名方法的好处是产生大量训练数据,应用于心脏MRI中腹腔切片级分类
Sameer Zaman1,2,3, Kavitha Vimalesvaran1,2,3, James P Howard1,2
1National Heart and Lung Institute, Imperial College London, London, UK.
Journal of medical artificial intelligence
|June 22, 2023
概括
专家临床医生可以通过对心脏磁共振成像 (CMR) 图像进行排名来改善人工智能 (AI) 模型培训. 这种多图像排名策略与个人图像分类相比,提高了基准真实性标签准确性,优化了临床成像中的AI开发.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 专家临床医生的时间对于临床成像中的AI开发是有限的.
- 准确的基础真相标签对于AI模型性能至关重要.
- 心脏磁共振成像 (CMR) 分析需要高效的数据处理.
研究的目的:
- 为CMR图像开发一种新的基准真实标签方法.
- 为了比较多个图像排名策略的效率与传统一次图像标签的效率.
- 训练和评估一个深度学习 (DL) 模型用于CMR图像的解剖学分类.
主要方法:
- 使用多图像排名策略,专家根据解剖位置订购CMR切片.
- 训练了两种深度学习模型,使用排名策略和一次图像策略的数据.
- 使用精度,F1得分和ROC AUC.评估模型性能.
主要成果:
- 使用多图像排名策略训练的模型实现了更高的精度 (86%与72%),F1得分 (0.86与0.75),和ROC AUC (0.95与0.86).
- 在手动标签中,观察者间的变化率高于观察者内部的变化率 (科恩 κ=0.90).
- 多重图像排名策略在地面真相标签方面被证明更有效.
结论:
- 与单个图像分类相比,多图像排名策略为DL模型提供了更准确的地面真相标签.
- 这种方法优化了临床医生的标签时间,并提高了AI开发效率.
- 潜在的临床应用包括自动删除不需要的CMR图像,专注于诊断相关的切片.
