一个高效的深度神经网络来分类大3D图像与小物体

科学领域:

• 医学成像人工智能 医学成像人工智能
• 计算病理学计算病理学
• 机器学习在放射学中的应用

背景情况:

• 3D成像为医学诊断提供了卓越的解剖细节,但由于大量的数据,对人工智能培训提出了重大计算挑战.
• 传统的人工智能模型经常将3D图像的样本减小或投射到2D,可能会丢失关键的空间信息.
• 在高分辨率的3D医疗数据上训练人工智能需要大量的GPU内存和计算能力,限制了可访问性和可扩展性.

研究的目的:

• 引入一个高效的神经网络,3D全球意识多个实例分类器 (3D-GMIC),用于分类全分辨率3D医疗图像.
• 为了证明3D-GMIC可以与标准卷积神经网络相比,以显著减少的计算资源处理大型3D数据集.
• 通过突出地图验证模型提供可解释的,像素级解释其预测的能力.

主要方法:

• 开发了一种新型的神经网络架构,3D全球感知多个实例分类器 (3D-GMIC),旨在有效处理高分辨率3D医疗图像.
• 训练和评估3D-GMIC在一个大数据集的3D造乳镜,比较其性能与2D造乳镜 (FFDM和合成) 使用图像级标签.
• 通过测量GPU内存使用量和计算时间来评估计算效率,并在外部数据集 (BCS-DBT) 上验证了概括.

主要成果:

• 3D-GMIC实现了0.831的AUC,用于对3D乳房影像中的恶性发现进行分类,与2D方法相比 (AUC0.816-0.826).
• 该模型显示,与现成的卷积神经网络相比,GPU内存 (77.98%-90.05%) 和计算 (91.23%-96.02%) 的显著减少.
• 3D-GMIC成功地在大规模3D图像中识别了感兴趣的小区域,并对外部数据集进行了很好的概括,在BCS-DBT上达到0.848的AUC.

结论:

• 3D-GMIC为全分辨率3D医疗图像的AI驱动分类提供了有效和计算效率高的解决方案.
• 该模型能够处理大型3D数据集而不损害准确性或需要大量计算资源,使其成为医学诊断的宝贵工具.
• 3D-GMIC通过突出性地图的可解释性和对外部数据的强大性能突出显示了其在乳腺癌检测中的临床应用潜力.