在计算机断层扫描中进行心胸细分的合作AI培训:一种代的多中心注释方法
Bianca Lassen-Schmidt1, Bettina Baessler2, Matthias Gutberlet3
1Fraunhofer Institute for Digital Medicine MEVIS, Max-von-Laue-Str. 2 28359, Bremen, Germany.
European journal of radiology
|May 31, 2024
概括
这项研究引入了一种代的培训工作流程,以加速胸部CT扫描的AI驱动细分. 该方法显著减少了人类注释时间,同时提高了多中心研究中生物标志物的准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
背景情况:
- 定量放射学报告需要经过验证的生物标志物.
- 医学图像的Voxelwise注释是大规模研究的一个瓶.
- 高分辨率的胸部CT数据需要有效的细分方法.
研究的目的:
- 开发和评估用于基于AI的细分的代培训工作流.
- 在胸部CT扫描中加速和提高心脏和中骨细分的准确性.
- 为了减少人类参与多中心研究的注释过程.
主要方法:
- 使用了132个胸部CT扫描,由13名放射科医生进行注释.
- 使用nnU-Net模型实施了三个代训练实验.
- 在随后的代中加入了AI预分段和人类校正.
主要成果:
- 代训练始终提高了人工智能模型质量和细分精度 (子相似系数>0.90).
- 人工智能模型在细分任务中将人类交互时间减少了高达70%.
- 即使在仅用五个数据集进行训练的模型中也取得了令人满意的结果.
结论:
- 代培训工作流提供了一种有效的解决方案,用于在多中心研究中开发AI细分模型.
- 这种方法提高了模型的准确性,并减少了对广泛的人类注释的需求.
- 未来的研究将专注于尽量减少初始数据集,并探索先进的预处理技术.


