通过使用深度学习对CT病变检测提供全面注释所带来的改进的定量分析

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:

• 由于时间限制,医院数据往往有不完整的放射科医生注释.
• 在部分标记的数据上评估深度学习模型可能会导致不准确的性能估计.

研究的目的:

• 量化评估注释病变百分比对通用病变检测 (ULD) 算法性能的影响.
• 调查CT图像中不同级别的注释如何影响ULD模型的准确性.

主要方法:

• 训练了一个多视图特征金字塔网络与位置意识的注意力 (MVP-Net) 为ULD.
• 使用了DeepLesion数据集的三个版本:OriginalDL (部分标签),EnrichedDL (完整标签) 和UnionDL (组合).
• 在每个数据集上训练单独的MVP-Net模型来评估注释的影响.

主要成果:

• 在对部分标记数据进行训练后,在对完全标记数据进行测试时,模型性能显著下降.
• 训练数据中注释病变的增加提高了灵敏度,随着功率定律的出现,回报率下降.
• 与原始CNN (56.1%) 相比,富含CNN和UnionCNN在富含DL测试组上显示出更好的灵敏度 (66.0%,67.8%).

结论:

• 通过注释21,775个额外的病变,扩展了DeepLesion数据集.
• 完全标记的CT图像可以防止高估ULD算法性能,并增加灵敏度.
• 这些发现对未来的CT病变检测研究和开发有重大影响.