在磁共振图像中对多种类型的子宫病变进行细分,使用序列深度学习方法与图像级注释
Yu-Meng Cui1, Hua-Li Wang1, Rui Cao1
1Department of Gynecology, Dalian Women and Children's Medical Group, Dalian, 116033, China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了一种弱监督的模型,用于在MRI扫描上对子宫病变和组织进行细分,仅使用图像级标签. 该模型的性能可与最先进的方法相提并论,减少了对广泛的像素级注释的需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 完全监督的医疗图像细分需要广泛的像素级注释,这是耗时和昂贵的.
- 弱监督学习通过使用不那么详细的标签,如图像级注释,提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一个弱监督的模型,以仅使用图像级标签从MRI分段子宫病变和正常组织.
- 根据既定指标评估模型的性能,并将其与现有的最先进的弱监督方法进行比较.
主要方法:
- 开发了一个两阶段的弱监督模型,包括像素相关模块,类重新激活地图模块,像素间关系网络和Deeplab v3+.
- 该模型在T2加权的MRI扫描上受过训练和验证,来自316名患有各种子宫疾病的患者的数据集.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均对称表面距离 (ASSD) 评估了性能.
主要成果:
- 拟议的模型实现了平均DSC的83.5%,HD的29.3毫米,ASSD的8.83毫米.
- 该模型显示了四种类型的子宫病变和三种类型的正常组织的良好细分性能.
- 发现细分的准确性相当于当前最先进的弱监管技术.
结论:
- 使用图像级标签的弱监督学习是子宫MRI细分的可行方法,显著降低了注释负担.
- 开发的模型为子宫病理的自动化分析提供了一个有前途的工具,有可能提高诊断效率.
- 进一步的研究可以探索采用更复杂的弱监督策略来提高细分的准确性和稳定性.
