使用无监督异常检测的头骨放射图准确度的自我评估
Haruyuki Watanabe1, Yuina Ezawa1, Eri Matsuyama2
1School of Radiological Technology, Gunma Prefectural College of Health Sciences, Maebashi, Japan.
Journal of X-ray science and technology
|June 29, 2024
概括
本研究引入了一种使用无监督学习 (自动编码器和变异自动编码器) 的自动化方法来评估头骨放射图的质量. 人工智能模型准确地识别了需要重新拍摄的放射图,提高了医学成像操作的效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学 放射学 放射学
背景情况:
- 在放射学中准确的患者定位对于诊断图像质量至关重要.
- 低于最佳的射线图经常被拒绝,需要重复成像,这是目前的主观过程.
- 自动化对放射质量的评估可以提高效率和一致性.
研究的目的:
- 开发和评估一个自动化系统,以评估使用无监督机器学习的头骨放射图准确性.
- 用量化,数据驱动的方法来取代放射性适合性的定性,视觉评估.
- 使用自编码器 (AE) 和变化自编码器 (VAE) 模型来检测放射图像中的异常.
主要方法:
- 获得了来自五个幽灵的1,680张头骨放射图像,分类为正常 (适当的定位) 或异常 (不适当的定位).
- 采用基于AE和VAE模型的异常检测技术,以区分可接受和不可接受的放射.
- 在获得的数据集上验证了无监督学习模型的歧视能力.
主要成果:
- 自动编码器 (AE) 模型在接收器操作特征分析中实现了0.7060的曲线下的面积 (AUC).
- 变化自编码器 (VAE) 模型实现了0.6707.7的AUC.
- 与之前的研究相比,提出的无监督学习方法表现出优越的区分能力,准确度为52%.
结论:
- 开发的方法显示了很高的分类准确度,用于确定需要重新进行头骨放射图的需要.
- 通过自动化评估放射学质量,可以显著提高高容量X射线部门的运营效率.
- 这种方法提供了一种定量和客观的替代手工放射学评估.
