改善膝盖放射图像的图像分类:一种自动化图像标签方法

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 肌肉骨放射实践拥有大量的放射性图像数据集,对于训练深度学习 (DL) 模型至关重要.
• 人类注释的局限性阻碍了标记数据的可用性,用于训练DL模型进行膝盖异常诊断.
• 现有的数据集往往缺乏足够的标签,用于有效的DL模型培训.

研究的目的:

• 开发一种自动化标签方法,以增强DL模型用于分类膝盖放射图像.
• 改善正常膝盖图像,异常膝盖图像和先前进行关节整形术的膝盖图像之间的区别.
• 利用未标记的数据来增强手动标记的数据集,以提高诊断性能.

主要方法:

• 一个自动标记器被训练在一小组手动标记的膝盖放射图上.
• 训练有素的标签师被用来为更大的未标签数据集生成伪标签.
• 生物BERT和EfficientNet分别被用作标签者和成像模型的特征提取骨干.
• 该方法使用7382名患者开发,并对637名患者进行了验证.

主要成果:

• 最终的图像分类模型,使用手动和伪标记数据进行训练,与基线模型 (0.857) 相比,实现了更高的加权平均AUC (WA-AUC) 0.903.
• 该模型证明了所有类别的AUC值有所改善:正常 (0.894比0.842),异常 (0.896比0.848) 和关节整形 (0.990比0.987).
• 统计分析证实了显著的改善 (正常的p < 0.002,异常的p < 0.001,WA-AUC的p = 0.001).

结论:

• 拟议的自动标签方法显著提高了放射性膝盖诊断图像分类的性能.
• 这种方法有助于修复大型膝盖成像数据集,并支持改善患者护理.
• 自动标签提供了一个可扩展的解决方案,以克服医疗成像AI中的数据注释挑战.