多模态子宫内膜异位症分类自主监督预训的有效性*†

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 妇女健康诊断 妇女健康诊断

背景情况:

• 子宫内膜异位症影响全球5-10%的女性,需要早期检测和治疗.
• 目前基于成像的诊断面临挑战,原因是临床专家的有限性和微妙的,未定位的病变,导致小型,困难的训练数据集和分类器的过度拟合.
• 自主监督的预训练方法为改进机器学习模型中的概括提供了一个有希望的解决方案.

研究的目的:

• 通过使用多模式成像数据,评估现代自我监督的子宫内膜异位症分类预训练技术的有效性.
• 引入一种新的掩盖图像建模自主监督预培训方法,用于3D多模式医学成像.
• 介绍第一个从使用多模态 (T1和T2) MRI数据的自我监督预训练模型中微调的子宫内膜异位症分类器.

主要方法:

• 利用自我监督的预训练技术,包括一种新的3D掩盖图像建模方法.
• 使用多模态 (T1和T2) MRI 数据开发和微调了一个子宫内膜异位症分类器.
• 将微调分类器的性能与从头开始训练的模型进行比较.

主要成果:

• 自主监督的预训练显示,子宫内膜异位症分类准确度显著改善.
• 与从头开始的培训相比,拟议的方法在分类性能上实现了高达31%的提高.
• 开发的分类器有效地处理与小数据集和难以检测的病变相关的挑战.

结论:

• 自主监督的预训练是一种高度有效的策略,可以从多模态MRI中改善子宫内膜异位症的分类.
• 新的3D掩盖图像建模方法对医疗成像应用有希望.
• 这项工作为人工智能驱动的子宫内膜异位症诊断使用多模式成像建立了新的基准.