开发和验证基于网络的自我注意算法,以检测计算机断层扫描图像上的中瘤病变
Sizhu Wu1, Shengyu Liu1, Ming Zhong1
1Institute of Medical Information & Library, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
Journal of thoracic disease
|June 17, 2024
概括
一个新的自我注意网络算法在计算机断层扫描 (CT) 扫描上有效检测中膜病变. 这种人工智能工具提高了放射科医生的诊断准确性和效率,改善了患者的护理.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断成像.
- 放射学和医学诊断 医学诊断
背景情况:
- 使用计算机断层扫描 (CT) 诊断中骨病变,由于呈现的多样性而存在挑战.
- 准确识别这些病变对于及时有效的患者管理至关重要.
- 现有的诊断方法可能耗时,需要显著的放射科医生专业知识.
研究的目的:
- 开发和评估一种新的基于网络的自我注意力算法,用于CT图像上自动检测中骨病变.
- 以准确性,灵敏性和对病变识别的信心来评估算法的性能.
- 将拟议的算法的有效性与已建立的深度学习模型进行比较,例如更快的基于区域的卷积神经网络 (R-CNN).
主要方法:
- 利用了两个大规模的开放数据集:NIH DeepLesion和MICCAI 2022 MELA挑战.
- 训练了一个自我注意网络,使用921个异常CT图像进行预训练和880个用于模型训练/验证.
- 使用平均精度 (AP) 和信心分数评估性能,比较灵敏度与更快的R-CNN.
主要成果:
- 自我注意网络在中病变检测方面实现了89.3%的平均精度 (AP).
- 该模型在识别大型病变方面表现出高可靠性 (>0.8).
- 在竞争绩效指标 (CPM) 中实现了近2%的绩效改进,超过更快的R-CNN,具有高灵敏度和低假阳性率.
结论:
- 开发的自我注意网络在CT扫描上检测中腔病变方面表现出色.
- 这种人工智能工具有可能显著减少放射科医生的工作量,并加快报告时间.
- 实施可以在临床实践中提高诊断准确性和效率.
