在3DCT肺部上进行不确定性意识图像分类

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 早期肺癌检测对于患者的生存至关重要,深度学习模型显示出有前途.
• 当前的模型往往缺乏可靠性和稳定性,对未见的数据表现出过度的信心.
• 模型不确定性可以指导转介到医疗专家进行关键的第二意见.

研究的目的:

• 开发和评估一种不确定性意识的框架,用于从3DCT图像中对良性和恶性肺结节进行分类.
• 使用蒙特卡罗脱落 (MCD),深度合集 (DE) 和合集蒙特卡罗脱落 (EMCD) 来量化预测不确定性.
• 评估不确定性量化和数据转介对诊断性能的影响.

主要方法:

• 提出了一个三个阶段的框架:数据预处理/模型选择,不确定性量化 (UQ) 和不确定性测量/数据转介.
• 评估了八种深度学习模型 (ResNet,DenseNet,Inception家族),使用MCD,DE和EMCD进行UQ.
• 利用3DCT图像进行结节分类,比较UQ方法并实施数据转介值.

主要成果:

• 所有评估的深度学习模型均获得了F1平均得分高于0.832,其中InceptionResNetV2达到0.845.
• 整合UQ显著改善了整体模型性能.
• 在不确定性估计方面,MCD表现出色,而DE和EMCD表现出优异的U_Recall,有效地识别错误的预测.
• 数据转介值进一步提高了准确度,达到0.959.

结论:

• 拟议的不确定性意识框架提高了从3DCT扫描中进行肺结节分类的可靠性和稳定性.
• 不确定性量化方法,特别是U_Recall的DE和EMCD,对于识别医学诊断中不可靠的预测至关重要.
• 基于不确定性值的数据转介策略的实施大大提高了诊断准确度,有助于临床决策.