弱监督的细分模型作为可解释的放射学分类器,用于CT图像上的肺瘤检测
Robert O'Shea1, Thubeena Manickavasagar2, Carolyn Horst3
1Department of Cancer Imaging, King's College London, London, UK. robert.1.oshea@kcl.ac.uk.
Insights into imaging
|November 19, 2023
概括
使用WSUnet的弱监督细分能够在医学成像中进行可解释的对象检测. 这种方法用图像级标签训练模型,改善放射学应用的可解释性.
科学领域:
- 放射性成像学成像学
- 医疗图像分析 医学图像分析
- 为医疗保健提供深度学习.
背景情况:
- 解释性对于放射学中可靠的卷积神经网络 (CNN) 图像分类器至关重要.
- 现有的方法通常需要详细的注释,增加工作量.
研究的目的:
- 开发一种弱监督的细分模型,用于在放射性图像中解释性地检测物体.
- 为了训练一个模型只使用图像级标签,减少注释负担.
主要方法:
- 通过使用图像级标签,训练了一种弱监督的U-Net架构 (WSUnet) 进行肺瘤细分.
- WSUnet生成voxel概率图,并使用全球最大共享进行图像级预测.
- 用多个机构的CT数据,将WSUnet的表现与传统的解释技术进行了比较.
主要成果:
- 在没有voxel级训练标签的情况下,WSUnet精确地定位了高精度的瘤 (0.77-0.78) 和竞争性子得分 (0.33-0.43).
- WSUnet的voxel级别区分优于对比方法,由精度回忆曲线 (AUPR) 下的面积更高证明.
- 临床医生对WSUnet的预测有很强的偏好 (72%的偏好率).
结论:
- 弱监督细分是一种可行的方法,用于在医学成像中创建可解释的物体检测模型.
- WSUnet在voxel层面提供本质上可解释的预测,增强模型的可解释性.
- 这种方法减少了对大量手动注释的需求,简化了医疗图像分类器的开发.
