基于深度学习的头部CT扫描上的内出血检测的考试级监督
Jacopo Teneggi1, Paul H Yi1, Jeremias Sulam1
1From the Department of Computer Science (J.T.), Department of Biomedical Engineering (J.S.), and Mathematical Institute for Data Science (MINDS) (J.S., J.T.), Johns Hopkins University, 3400 N Charles St, Clark Hall, Suite 320, Baltimore, MD 21218; and University of Maryland Medical Intelligent Imaging Center (UM2ii), Department of Diagnostic Radiology and Nuclear Medicine, University of Maryland School of Medicine, Baltimore, Md (P.H.Y.).
Radiology. Artificial intelligence
|January 31, 2024
概括
弱监督与在头部CT扫描上检测内出血 (ICH) 的强有力的监督相匹配,需要更少的标签,并可能减少放射科医生的工作量.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习模型越来越多地用于医学图像分析.
- 训练这些模型需要大型,注释良好的数据集,这些数据集需要大量的劳动力来创建.
- 软弱的监督提供了一个潜在的解决方案,即使用较少颗粒的标签.
研究的目的:
- 为了比较弱监督 (考试级别标签) 与强监督 (图像级别标签) 的有效性,在训练深度学习模型中用于头部CT扫描上检测内出血 (ICH).
- 评估可用的标签数量对模型性能的影响.
主要方法:
- 一项使用基于注意力的卷积神经网络的回顾性研究.
- 训练是在RSNA 2019脑CT出血挑战数据集上进行的,使用检查级 (弱) 或图像级 (强) 标签.
- 对CQ500和CT-ICH数据集进行了外部验证.
主要成果:
- 弱学习者和强学习者在考试级别的二进制分类任务中表现相似 (AUC:0.96与0.96,P = .64;0.90与0.92,P = .15).
- 在CT-ICH数据集中,弱学习者表现优于强学习者 (0.95对0.92,P = .03).
- 弱学习者通过>10,000个标签 (f1 = 0.73 vs 0.65,P <.001) 实现了更好的部分级 ICH 检测,并且在训练中需要的标签数量减少了35倍.
结论:
- 严格监督的模型在ICH检测方面,与监督较弱的模型相比,没有显示出优异的性能.
- 监督不足可以显著减少训练深度学习模型所需的标签数量.
- 这些发现表明,监督不足可以减少放射科医生在未来数据集策划方面的劳动力.
