胸部计算机断层扫描自主监督学习:培训策略和对下游应用的影响

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:

• 自主监督预训 (SSP) 利用未标记的数据来学习医学成像中的基本视觉特征.
• 这减少了对大型手动注释数据集的依赖,这些数据集的获取成本昂贵且耗时.
• 胸部计算机断层扫描 (CT) 检查是一个关键的模式,但分析它们需要大量的专业知识.

研究的目的:

• 调查各种自主监督的胸部CT成像前训练策略的有效性.
• 评估这些策略对下游任务的影响,例如肺栓塞检测和肺结节细分.
• 通过评估其在预测患者人口统计学方面的表现来评估自我监督模型中的潜在偏差.

主要方法:

• 基准测试了五种自我监督策略:掩面图像区域预测,下一个切片预测,旋转预测,翻转预测和denoising.
• 利用来自梅奥诊所四个地点的1500万张胸部CT片的大量数据集.
• 在公共数据集上评估模型性能,用于肺栓塞检测和肺结节细分,以及预测患者的年龄,种族和性别.

主要成果:

• 与最先进的模型相比,使用蒙面区域预测的预训显著提高了性能,并减少了计算力度.
• 在肺栓塞检测方面观察到5%的性能提升,即使训练数据有限.
• 使用预训练重量初始化的细分模型的学习速度是随机初始化的模型的两倍.
• 使用自主监督权重预测患者种族的表现提升了10%,而年龄和性别预测没有改善.

结论:

• 自主监督的预训,特别是蒙面区域预测,为胸部CT分析提供了巨大的好处.
• 这些方法通过为各种下游任务使用有限的注释数据进行微调来加速研究.
• 该研究发布了开源模型和权重,以促进生物医学成像信息学的进一步研究.