3D U-Net用于自动检测多发性硬化病变:从其他病理学中转移学习的实用性
Stephen G Wahlig1, Pierre Nedelec1, David A Weiss1
1Center for Intelligent Imaging (ci2), Department of Radiology and Biomedical Imaging, University of California, San Francisco, San Francisco, CA, United States.
Frontiers in neuroscience
|November 15, 2023
概括
转移学习显著改善了对多发性硬化症 (MS) 病变细分的深度学习模型,使较小的数据集能够准确识别. 这种方法提高了现有的,新的和活跃的MS斑块的检测.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 神经学 神经学
背景情况:
- 对多发性硬化症 (MS) 斑块细分的深度学习通常需要广泛的数据集.
- 转移学习提供了一个潜在的解决方案,通过利用在其他病理学上受过训练的模型.
- 本研究研究了对MS病变细分的先前存在的模型进行微调.
研究的目的:
- 评估转移学习在减少对大型MS特定数据集的需求方面的有效性.
- 为了比较微调模型与MS病变细分的de-novo模型的性能.
- 评估转移学习在识别现有的MS斑块,新的MS斑块和活跃脱髓化方面的能力.
主要方法:
- 对149名患者的MRI扫描 (2014-2021) 的回顾性分析.
- 使用可变数量的手动细分的MS研究来训练3D卷积神经网络.
- 模型被训练 de-novo 或微调使用转移学习从非MS数据.
- 基于病变敏感性和积极预测值 (PPV) 的性能评估.
主要成果:
- 精细调整的模型显示,在10项研究中,在细分单个时间点的FLAIR病变 (灵敏度0.55 ± 0.02,PPV 0.66 ± 0.02) 中表现得更好.
- 对于新的损伤细分 (30项研究),微调模型实现了类似的灵敏度 (0.49 ± 0.05),但明显更高的PPV (0.60 ± 0.05).
- 使用微调模型的增强细分 (20项研究) 与de-novo模型相比,产生了明显更好的结果 (灵敏度0.74 ± 0.06,PPV 0.69 ± 0.05).
结论:
- 在其他病理方面预先训练的微调模型与MS数据产生了具有竞争力的细分性能.
- 转移学习使得使用较小的数据集开发有效的MS病变细分模型.
- 这种方法促进了MS研究和临床实践中更容易获得和更有效的深度学习应用.
