Siam-VAE:基于深度学习的混合式异常检测框架,用于自动化对头部CT扫描的质量控制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 自动化质量控制 (QC) 对于高效的头部计算机断层扫描 (CT) 解释和随后的图像分析至关重要.
• 目前用于头部CT扫描的人类QC协议是主观的和耗时的,需要自动化解决方案.
• 深度学习模型为自动化QC提供了潜力,但面临着诸如类不平衡和CT数据集中的弱标签等挑战.

研究的目的:

• 开发基于深度学习的框架,用于将头部CT扫描分类为可用或不可用.
• 解决质量控制数据集中的挑战,包括类不平衡和弱标签.
• 为头部CT解释创建可靠和一致的数据流.

主要方法:

• 开发了一个混合深度学习框架,结合了变化自编码器 (VAE) 和族神经网络 (SNN).
• VAE学习重建可用的扫描,而SNN评估扫描和其重建之间的相似性.
• 该框架利用弱标签来增强异常检测,专注于非线性特征结构,而不是基于强度的指标.

主要成果:

• 与最先进的异常检测方法相比,拟的混合VAE-SNN框架在标记低质量的头部CT扫描中表现出优异的性能.
• 该模型有效地处理了质量控制数据集中固有的类不平衡和弱标签.
• 该框架成功地识别了需要放射科医生审查的扫描,减少了他们的工作量.

结论:

• 开发的深度学习框架为头部CT扫描质量控制提供了有效和自动化的解决方案.
• 这种自动化系统通过标记无法使用的扫描来提高图像分析的可靠性和一致性.
• 拟议的方法比传统的QC协议具有优势,因为它是客观和高效的,最终支持放射科医生并提高数据质量.