深度神经网络对内镜图像分析的稳定性评估:洞察力和策略
Tim J M Jaspers1, Tim G W Boers1, Carolus H J Kusters1
1Department of Electrical Engineering, Video Coding & Architectures, Eindhoven University of Technology, Eindhoven, The Netherlands.
Medical image analysis
|April 4, 2024
概括
在内镜中,计算机辅助检测和诊断 (CADe/CADx) 系统由于图像质量变化而表现较差. 先进的深度神经网络 (DNN) 架构和预训练方法可以显著提高稳定性并减轻临床环境中的性能损失.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 内視鏡診斷診斷 內視鏡診斷診斷
背景情况:
- 在内镜中,计算机辅助检测和诊断 (CADe/CADx) 系统通常以高质量的图像进行训练,而不是反映现实世界的临床变异性.
- 内镜中的图像质量受到照明,运动模糊和后处理等因素的影响,从而产生域间隙.
- 这个域差距影响了内镜CAD系统中深度神经网络 (DNN) 的性能,给患者带来了风险,特别是在设备和专业知识变化的环境中.
研究的目的:
- 评估该领域差距对内镜应用中的CADe/CADx系统临床性能的影响.
- 调查不同DNN架构,数据增强和预训练技术在提高对图像质量变化的稳定性方面的有效性.
主要方法:
- 利用了两个公共 (KVASIR-SEG,GIANA) 和两个内部数据集.
- 在合成,临床校准的图像退化下研究了常用的DNN架构.
- 在前性收集的342张低质量的内镜图像数据集上评估性能.
- 评估了DNN架构,复杂性,数据增强和预训练策略的影响.
主要成果:
- 由于与参考相比的图像退化,观察到11.6% (±1.5) 的显著性能下降.
- 先进的DNN架构和自主监督的域内预训练将这种性能下降降到7.7% (±2.03).
- 这些增强的方法在手动收集的低质量图像测试集上取得了最高的性能.
结论:
- 该研究强调,当临床图像质量变化出现时,内镜CAD系统的性能显著下降.
- 实施先进的DNN架构和域内预训练策略可以有效地减轻性能损失.
- 强度评估对于开发可靠的内镜DNN至关重要,建议的策略可以提高临床适用性.
