一种主动学习方法,用于训练深度学习算法,用于从脑MRI图像中对瘤进行细分
Andrew S Boehringer1, Amirhossein Sanaat1, Hossein Arabi1
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, CH-1205, Geneva, Switzerland.
Insights into imaging
|August 24, 2023
概括
积极学习显著减少了脑质瘤细分模型的手动注释,以更少的数据实现了可比性能. 这种方法简化了用于人工智能培训的地面真相数据的创建.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经瘤学研究研究
背景情况:
- 通过MRI对脑质瘤进行细分对于诊断和治疗计划至关重要.
- 深度学习模型需要大量的注释数据,这构成了一个重要的瓶.
- 积极学习为优化数据注释效率提供了一个潜在的解决方案.
研究的目的:
- 为了评估主动学习技术在训练大脑MRI质瘤细分模型中的有效性.
- 为了确定主动学习是否可以减少手动注释的努力,同时保持模型的性能.
- 评估积极学习的可行性,以提高地面真相数据准备的效率.
主要方法:
- 使用了2021年BraTS挑战数据集 (1251个多参数MRI).
- 使用NiftyNet平台训练深度卷积神经网络细分模型.
- 通过代地向训练集添加模型预测的细分来实施积极的学习策略.
主要成果:
- 积极学习实现了与参考模型 (迪斯得分0.906) 相比的结质瘤细分性能 (迪斯得分0.868).
- 积极学习方法只需要在28.6%的数据上进行手动注释.
- 证明了手动注释工作的显著减少.
结论:
- 积极学习是训练大脑MRI质瘤细分模型的可行策略.
- 这种方法大大减少了与地面真相数据准备相关的时间和劳动力.
- 积极学习提高了开发神经瘤学AI工具的效率.
