对大脑转移的转移学习方法 查大脑转移
Minh Sao Khue Luu1, Bair N Tuchinov1, Victor Suvorov1
1The Artificial Intelligence Research Center of Novosibirsk State University, Novosibirsk State University, 630090 Novosibirsk, Russia.
Biomedicines
|November 27, 2024
概括
转移学习在MRI扫描上对细分大脑转移有希望,提高了预防性检查的准确性. 然而,在复杂的病例中,模型仍然难以检测非常小或分散的瘤.
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:
- 在MRI上检测大脑转移对于患者的治疗结果至关重要.
- 自动细分有助于预防性检查和远程诊断.
- 深度学习模型提供了增强细分精度的潜力.
研究的目的:
- 评估转移学习对脑转移细分在MRI上的有效性.
- 将转移学习模型与从头开始训练的模型进行比较.
- 评估定制损失函数对细分性能的影响.
主要方法:
- 在公共和私人数据集上使用转移学习训练了三种深度学习模型.
- 在一个更小,更专业的数据集上微调模型.
- 与从头开始训练的模型进行性能比较.
- 使用自定义的Tversky和二进制交叉损失函数.
主要成果:
- 转移学习模型的表现优于从头训练的模型,尽管在统计学上并不显著.
- 定制损失函数有效地管理了类不平衡,并减少了假负值.
- 医学专家观察到,较大的瘤表现良好,但较小,分散的瘤有局限性.
结论:
- 转移学习和自定义丢失函数显示了医学成像细分的潜力.
- 在复杂病例中检测非常小的瘤存在模型限制.
- 需要进一步的研究来解决细微病变细分方面的挑战.


