在全景放射学中以注意引导的下骨病变诊断,使用最小的标签努力
Minseon Gwak1, Jong Pil Yun2,3, Ji Yun Lee4
1Department of Electrical Engineering, Pohang University of Science and Technology, Pohang, 37673, Republic of Korea.
Scientific reports
|February 29, 2024
概括
这项研究引入了一个注意力指导框架,用于使用部分标记的医学图像来诊断骨病理. 即使是5%的注意力标记数据也显著提高了诊断准确性,为高效的AI模型开发提供了实际解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 医疗诊断的深度学习模型需要大量的标记数据,这需要大量的劳动力,并可能导致不准确.
- 部分标签策略往往会损害医学图像分析中的诊断性能.
研究的目的:
- 开发一个注意力指导框架,以提高使用部分标记数据来改善骨病理的诊断性能.
- 引入新的方法,尽量减少标签差异,并最大限度地提高医疗图像数据集中的数据效用.
主要方法:
- 构建了一个注意力指导框架,利用部分标记的全景放射图的注意力信息.
- 引入了额外的损失功能,以使网络注意力与提供的标签保持一致.
- 实施了梯形增强技术,以提高最小标记数据的实用性.
主要成果:
- 使用仅5%的注意力标记数据引导网络注意力,使骨病理的诊断准确度从92.41%提高到96.57%.
- 废除研究表明,拟议的增强方法的性能优于现有技术,达到99.17%的准确性.
- 该框架有效地使用最小标记数据进行细粒度诊断.
结论:
- 建议的注意指导框架为开发高性能诊断模型提供了实用和有效的解决方案,使用有限的标记医疗图像数据.
- 这种方法解决了医疗AI中数据注释的重大挑战,为更容易获得和更准确的诊断工具铺平了道路.
更多相关视频
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.7K
05:49Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
Published on: February 23, 2024
839
