改善多发性硬化症病变在临床场所的细分:一个联合学习方法与噪音弹性培训

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 通过磁共振成像 (MRI) 精确测量多发性硬化症 (MS) 病变,对于了解疾病进展和指导治疗至关重要.
• 深度学习模型显示了自动化MS病变细分的潜力,但进展受到稀缺的注释数据和需要强大的多站点模型的限制.
• 多站点数据收集会引发隐私问题和标签噪音,因为标注标准不同.

研究的目的:

• 开发一个用于MS病变细分的联合学习框架,以解决数据隐私和标签噪声在多站点合作中的问题.
• 引入噪音强度培训策略,包括脱硬标签校正 (DHLC) 和中央增强标签校正 (CELC),以提高细分精度.

主要方法:

• 实施了联合学习框架,允许在不影响数据隐私的情况下进行多站点协作.
• 引入了DHLC以根据预测可靠性纠正噪音注释,并考虑了MS病变特征.
• 开发了CELC以使用聚合的中央模型作为教师用于特定站点的标签校正,提高可靠性.

主要成果:

• 在两个多站点数据集上与DHLC和CELC展示了拟议的联合学习方法的有效性.
• 验证了处理标签噪声和异质数据分布的方法的稳定性.
• 与标准的联合学习方法相比,MS病变细分精度显著改善.

结论:

• 联合学习与先进的标签校正策略相结合,为MS病变细分培养强大的深度学习模型提供了可行的解决方案.
• 提出的方法减轻了数据隐私和标签噪声在多站点协作中的挑战,降低了数据收集和注释成本.
• 这些发现突显了在多个地点设置中的临床转化潜力,提高了MS进展监测的效率和准确性.