改善CT扫描中的细分和病变检测,使用强度分布监督
Seung Yeon Shin1, Thomas C Shen1, Ronald M Summers1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, Bethesda, 20892, MD, USA.
概括
本研究引入了基于强度的病变概率 (ILP) 地图,以增强CT扫描分析用于癌症检测和细分. 这种新的方法提高了诊断准确度,而不需要额外的手动标签.
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:
- 在CT扫描中精确的细分和病变检测对于诊断和治疗规划至关重要.
- 当前的深度学习模型通常需要大量的标记数据,这需要大量的时间和成本来获取.
- 在CT扫描上损伤强度特征包含有价值的诊断信息,可以利用.
研究的目的:
- 开发和验证一种方法,将损伤强度信息纳入用于CT扫描分析的深度学习模型.
- 提高对各种损伤类型的细分和检测网络的性能,而无需额外的标签成本.
主要方法:
- 使用病变强度直方图构建了一个基于强度的病变概率 (ILP) 函数.
- 根据voxel强度计算每个CT扫描的ILP图.
- 利用ILP地图作为网络培训中的额外监督,用于细分和检测任务.
主要成果:
- 细分改善 小肠癌瘤 (41.3%至47.8%),瘤 (74.2%至76.0%) 和肺结节 (26.4%至32.7%) 的子得分.
- 提高了瘤检测的平均精度,从64.6%提高到75.5%.
- 证明了ILP地图在不同类型的病变中的有效性及其在检测任务中的实用性.
结论:
- 拟议的ILP地图方法有效地增强了基于深度学习的病变细分和CT扫描上的检测.
- 利用强度信息提供了一种具有成本效益的方法,以改善医学成像诊断性能.
- 该方法在放射图像分析中显示出更广泛应用的希望.
