使用深度学习在多相CT扫描中的胰腺细分大规模数据集的策划的主要挑战:专注于枢纽性,手工精细化和注释质量
Matteo Cavicchioli1, Andrea Moglia2, Ludovica Pierelli3
1Department of Electronics, Information, and Bioengineering, Politecnico di Milano, Piazza Leonardo da Vinci 32, Milano, 20133, Italy; Fondazione MIAS (AIMS Academy), Piazza dell'Ospedale Maggiore 3, Milano, 20162, Italy.
概括
为胰腺细分优化深度学习,需要仔细调整数据集大小. 通过440多次计算机断层扫描 (CT) 扫描进行的培训显示,回报率正在下降,这凸显了AI在手术应用中的高效数据利用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在计算机断层扫描 (CT) 中精确的胰腺细分对于医学诊断和手术规划至关重要.
- 监督深度学习模型显示出希望,但严重依赖于培训数据的数量和质量.
- 将在小数据集上训练的模型推广到外部数据集仍然是一个挑战.
研究的目的:
- 用深度学习来确定最佳数据集大小,以准确地对胰腺进行细分.
- 评估数据集大小对模型性能和资源影响的影响.
- 评估解剖学子区域和手工精细化对细分精度的影响.
主要方法:
- 开发AIMS-1300数据集,其中包括1300个手动注释的CT扫描 (938小时).
- 实施2.5D UNet模型,以评估11个逐渐更大的培训子集的细分精度.
- 在公开可用的AMOS-CT数据集上测试模型的概括.
主要成果:
- 细分性能稳定,训练套件超过440个CT扫描为2.5DUNet.
- nnU-Net和带有注意力门的UNet在585次CT扫描中达到峰值性能.
- 随着数据集大小的增加,错误率下降,稳定在AIMS-1300的730 CT和AMOS-CT的440 CT.
- 与身体和尾巴相比,胰腺头部的细分改善最为明显.
结论:
- 对于胰腺细分的深度学习模型可以在没有过大数据集的情况下实现高性能.
- 最佳的数据集大小取决于特定的模型架构和数据集特征.
- 高效的数据策划和利用是开发外科数据科学中的AI工具的关键.
