评估医疗图像细分模型使用增强
Mattin Sayed1, Sari Saba-Sadiya2, Benedikt Wichtlhuber1
1Clinic for Radiology and Nuclear Medicine, University Hospital, Goethe University Frankfurt, Theodor-Stern-Kai 7, 60590 Frankfurt am Main, Germany.
Tomography (Ann Arbor, Mich.)
|December 27, 2024
概括
这项研究引入了一种新的方法,用于使用数据增强验证自动化医疗图像细分模型. 这种方法可以评估细分的准确性,而不需要手动审查,从而提高临床和研究环境的效率.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 自动化医疗图像细分对于临床和研究应用至关重要.
- 对于细分模型的现有验证方法是有限的,通常需要手动检查.
- TotalSegmentator是广泛使用的自动化细分模型的一个例子.
研究的目的:
- 为自动化医疗图像细分模型开发一种新的验证框架.
- 通过减少依赖手动审查来解决当前验证技术的局限性.
- 为了提高在医疗应用中使用细分口罩的可靠性和效率.
主要方法:
- 开发了一个验证框架,利用数据增强来评估模型的一致性.
- 为原始和增强型医疗扫描生成分段口罩.
- 原始和增强扫描的细分面具之间的计算对齐指标.
主要成果:
- 证明了原始扫描细分质量与增强扫描的对齐指标之间存在强烈的相关性.
- 使用诸如方差系数和平均对称表面距离等指标验证的结果.
- 确认与增强扫描细分口罩的协议作为细分质量的有效代理.
结论:
- 拟议的框架允许在没有手动地面真相数据的情况下对细分业绩进行评估.
- 为推进自动化医学图像分析管道奠定了基础.
- 为临床实践中验证细分模型提供了一种更有效和更强大的方法.
