建筑放射学NET:一个无监督的方法来注释大规模的多式联络医疗数据库

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 机器学习 (ML) 越来越多地被用于通过计算机辅助诊断 (CAD) 系统进行医学诊断和治疗.
• 对CAD系统来说,注释的医学放射图像至关重要,但手动注释是耗时且昂贵的.
• 大量的注释医疗图像数据集的稀缺性阻碍了医疗保健中的ML开发.

研究的目的:

• 开发一种用于注释大型医学放射学图像数据集的自动化方法.
• 为了应对耗时和昂贵的手动图像注释的挑战.
• 为了利用语义相似性进行高效的医学图像数据集注释.

主要方法:

• 开发了一个无监督的自动管道,以创建注释的医学放射学图像数据集.
• 该管道整合了医疗图像,DICOM元数据和叙事诊断的数据挖掘.
• 最佳特征提取器被组合成一个多式模式表示,从1,337,926张图像中分组成50组视觉相似的图像.

主要成果:

• 自动化管道成功地将1,337,926张医疗图像根据视觉相似性将其分为50个不同的组.
• 用同质性和相互信息指标评估了集群质量,同时考虑了解剖区域和模式.
• 从图像,DICOM元数据和叙事诊断中融合嵌入,产生了最简洁和最有效的集群.

结论:

• 融合多式联络数据嵌入 (图像,元数据,诊断) 是对大规模医疗数据的无监督集群的最佳选择.
• 这种自动化方法显著提高了创建注释医疗图像数据集的效率.
• 这项研究代表了向开发更大,更细粒度的注释医学放射学图像数据库迈出的基本步骤.