在卷积神经网络的训练过程中,将标签不确定性纳入训练过程中,可以提高多巴胺载体SPECT中某些和不确定的病例之间的歧视性能
Aleksej Kucerenko1, Thomas Buddenkotte2, Ivayla Apostolova2
1xAILab Bamberg, Chair of Explainable Machine Learning, Faculty of Information Systems and Applied Computer Sciences, Otto-Friedrich-University, Bamberg, Germany.
European journal of nuclear medicine and molecular imaging
|November 26, 2024
概括
将读者不确定性纳入深层卷积神经网络 (CNN) 对多巴胺载体 (DAT) -SPECT解释的训练,可以改善对某些不确定的病例的歧视,而不会影响整体准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 深层卷积神经网络 (CNN) 在解释多巴胺载体 (DAT) -SPECT扫描中显示出潜力.
- 准确的解释需要区分某些与不确定的情况,以防止错误分类.
- 有效地传达不确定性对于临床实用性至关重要.
研究的目的:
- 评估将标签不确定性纳入CNN培训的方法.
- 为了增强CNN sigmoid输出的实用性,以区分某些不确定的DAT-SPECT案例.
- 为了提高CNN辅助DAT-SPECT解释的可靠性.
主要方法:
- 三个数据集的回顾性分析 (开发,两个独立的分布外数据集).
- 使用随机投票训练 (RVT),平均投票训练 (AVT) 或多数投票训练 (MVT) 进行训练的ResNet-18架构.
- 对"不确定的"和"确定的"西格体输出进行评估的平衡准确性.
主要成果:
- 与MVT相比,RVT和AVT方法减少了在"某些"案例中需要高平衡精度的"不确"案例的比例.
- 在所有测试案例中,RVT和AVT的整体平衡精度略高.
- 这些改进在所有测试数据集中都是一致的.
结论:
- 在CNN培训中将读者之间的差异纳入CNN培训中,增强了某些不确定的DAT-SPECT案件的歧视.
- 这种方法可以提高CNN输出的可靠性,而不会对整体分类准确性产生负面影响.
- 这些发现表明,DAT-SPECT扫描的CNN辅助解释更为强大.


