在CT中诊断多个脊椎压缩骨折的低监督深度学习
Euijoon Choi1, Doohyun Park2, Geonhui Son2
1Department of Artificial Intelligence, Yonsei University, Seoul, Republic of Korea.
European radiology
|November 16, 2023
概括
一个新的弱监督的深度学习模型在使用图像级标签来对脊椎压缩骨折进行分类时,实现了类似或更好的性能. 这种方法可以通过更简单的数据来实现精确的脊椎水平分析来减少放射科医生的工作量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 脊椎压缩骨折 (VCFs) 需要精确的分类来进行有效的治疗计划.
- 目前的方法可能需要详细的脊椎水平标签,增加工作量.
- 深度学习 (DL) 提供了自动骨折检测的潜力.
研究的目的:
- 开发一个弱监督的DL模型,用于脊椎水平的VCF分类.
- 用图像级标签来评估模型的性能.
- 将拟议的模型与传统的监督DL方法进行比较.
主要方法:
- 在815名具有图像级VCF标签的患者中训练了一种弱监督的DL模型.
- 将其性能与受监督的DL模型进行了比较,该模型使用脊椎水平标签进行训练.
- 在227名患者的试验组上评估模型,比较类似特异性的敏感性.
主要成果:
- 监管较弱的模型在整体L1-L5 VCF分类 (0.770对0.705) 方面表现出与监管模型相比的或更高的灵敏度.
- 所有脊椎的特异性仍然很高 (L1-L5 > 0.970).
- 拟议的模型显示对L3显著提高灵敏度,对L1,L4和L5.5具有相似的灵敏度.
结论:
- 弱监督的DL可以使用图像级数据实现有效的脊椎水平VCF分类.
- 这种方法有可能减少放射科医生的工作量并提高诊断效率.
- 该方法可以识别多个VCF,即使在不太细粒度的标签上进行训练.
