无监督的领域适应自动膝关节骨关节炎表型分类的自动化膝关节骨关节炎
Junru Zhong1, Yongcheng Yao1, Dόnal G Cahill1
1CU Lab of AI in Radiology (CLAIR), Department of Imaging and Interventional Radiology, The Chinese University of Hong Kong, Hong Kong SAR, China.
Quantitative imaging in medicine and surgery
|November 16, 2023
概括
这项研究表明,使用有限的MRI数据,无监督域适应 (UDA) 可以准确地分类骨关节炎 (OA) 表型. 该UDA模型改善了小型数据集的诊断性能,有助于本地分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 骨关节炎 (OA) 是一个重大的全球健康挑战,需要先进的诊断工具.
- 关节炎的日益流行需要有效和客观的自动诊断技术.
- 这项研究探讨了自动化OA表型分类的无监督域适应 (UDA).
研究的目的:
- 从MRI数据中证明UDA在分类OA表型中的有效性.
- 改进OA的自动诊断能力,特别是在有限的目标数据集.
- 加强本地收集的OA数据集的下游分析.
主要方法:
- 使用大型骨关节炎倡议 (OAI) 数据集作为来源和内部MRI图像作为目标.
- 开发了一个四步UDA管道:预处理,源分类器培训,目标编码器调整和目标分类器验证.
- 使用卷积神经网络 (CNN) 来进行表型分类,并使用AUROC评估性能,灵敏度,特异性和准确性.
主要成果:
- 该UDA模型在软骨/半径表型分类方面取得了卓越的性能 (AUROC 0.90).
- 对于底骨表型,UDA模型的表现与源预训练模型 (AUROC 0.75与0.76) 相比,表现相当,并且从头开始的训练表现优于原始训练.
- 与目标数据集的基线方法相比,拟议的UDA方法显著提高了分类准确性.
结论:
- 无监督域名适应有效地利用大型源数据集来改进小目标数据集的自动化OA表型分类.
- 该UDA技术为分析有限的,本地获得的医学成像数据提供了有价值的解决方案.
- 这种方法在OA研究和临床实践中促进了更强大,更客观的下游分析.
