超大规模多式联络成像数据集的分类
Craig Macfadyen1, Ajay Duraiswamy1, David Harris-Birtill1
1University of St Andrews, St Andrews, United Kingdom.
PLOS digital health
|December 13, 2023
概括
深度学习模型可以根据模式 (CT,MRI,PET,X射线) 准确地分类数以百万计的医疗图像. 这加快了诊断成像数据的检索速度,以96%的准确度改善了临床结果.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 超大规模的多模式数据集,包含数百万张图像,需要有效的分类方法用于诊断成像数据检索.
- 准确的医疗图像分类模式对于加速临床结果和研究至关重要.
研究的目的:
- 为了证明在超大规模,多模式数据集上训练的深度神经网络的有效性,以准确的医学图像模式分类.
- 评估不同卷积神经网络 (CNN) 架构 (ResNet-50,ResNet-18,VGG16) 在分类医学成像模式中的性能.
主要方法:
- 通过结合102个不同的数据集,创建了一个包含450万张异质医疗图像的数据集.
- 训练ResNet-50,ResNet-18和VGG16模型将图像分为四种模式:计算机断层扫描 (CT),磁共振成像 (MRI),正子发射断层扫描 (PET) 和X射线.
- 模型的性能被评估在未见的数据,测量分类准确度和平衡准确度.
主要成果:
- 性能最好的模型在未见数据上实现了96%的分类准确性,与EfficientNets和Vision Transformers (ViTs) 等更复杂的模型相比或超过.
- 顶级模型实现了86%的平衡精度.
- 该研究证实了在超大规模的多式联络数据集上训练深度学习CNN的可行性.
结论:
- 在超大规模多式联络数据集上训练的深度学习模型可以在分类医疗成像方式方面实现高准确性.
- 这些模型对于涉及大规模医疗图像存储库和国家医疗机构的现实应用具有重大潜力.
- 未来的研究可以将这种分类能力扩展到包括3D扫描.
