弱监督的基于学习的病理检测和定位在3D胸部CT扫描中

科学领域:

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

背景情况:

• 在异常检测方面的进步使新的放射性读取辅助工具成为可能.
• 临床采用需要高灵敏度和低错误阳性率.

研究的目的:

• 开发一种新的方法来识别多种胸部病理,使用对比的自我监督学习.
• 提供异常的3D定位,包括低肺密度区域 (LLDA),整合 (CONS),结节 (NOD) 和间歇性模式 (IP).

主要方法:

• 开发了一个基于3D补丁的分类器与Resnet骨干编码器,使用SimCLR进行预训练.
• 该模型在一个标记的数据集上进行了微调,用于分类和定位四个胸部异常和正常病例.
• 推断涉及生成多标签患者级预测的概率图和评估不同的培训策略.

主要成果:

• 该方法实现了多标签的AUROC为0.931,二进制分类的AUROC为0.963.
• 在间歇性模式 (0.974) 和低肺密度区域 (0.952) 中发现了高的AUROC值.
• 对比预训练的表现优于ImageNet预训练和随机初始化,本地化完整度为88.8%,准确度为88.3%.

结论:

• 拟议的方法有效地整合了自我监督的学习,用于预训练和基于补丁的方法,用于3D病理局部化.
• 它展示了在单个CT扫描中有效检测和定位多种异常的潜力.
• 聚合方法可以在患者一级进行多标签预测.