相关实验视频
Updated: Jun 6, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
368
DLLabelsCT:使用深度转移学习的注释工具,以帮助从腹部计算机断层扫描创建新的数据集,案例研究:胰腺
Henrik Mustonen1, Antti Isosalo1, Minna Nortunen2,3
1Research Unit of Health Sciences and Technology, Faculty of Medicine, University of Oulu, Oulu, Finland.
PloS one
|December 3, 2024
概括
像DLLabelsCT这样的人工智能 (AI) 工具可以加速医学图像分析. 这种深度学习 (DL) 注释工具大大减少了放射学评估中的手工工作,节省了时间和资源.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 人工智能 (AI) 和深度学习 (DL) 越来越多地用于医学研究和实践.
- 卷积神经网络 (CNN) 在优化放射学评估方面表现有前途.
- 训练DL模型需要大量的数据集和密集的手动注释,这构成了严重的瓶.
研究的目的:
- 开发和验证DLLabelsCT,这是一款基于人工智能的注释工具,旨在加速医学图像分析.
- 用DL模型评估DLLabelsCT在分段器官,特别是胰腺中的效率和准确性.
主要方法:
- 开发了DLLabelsCT,这是一个利用CNN模型进行图像分析的注释工具.
- 在开放式数据集上训练了一个ResNet34编码器-UNet解码器CNN模型用于胰腺细分.
- 利用DL模型来协助注释本地数据集以进行模型改进,并对外部数据集进行了测试.
主要成果:
- 与手动方法相比,DLLabelsCT加速了3.4倍的注释过程.
- 在3,715个CT切片上,50%的细分不需要手动编辑.
- 获得了0.82±0.24的平均子相似系数,以获得细分精度.
结论:
- DLLabelsCT是一个高度准确和高效的工具,可以大大节省医疗图像注释的时间和资源.
- 该工具的适应性允许修改以支持其他DL模型和器官,促进未来使用大型数据集进行研究.
