半监督学习允许通过使用多中心MRI数据来改善细分,减少大脑转移的注释.
Jon André Ottesen1,2, Elizabeth Tong3, Kyrre Eeg Emblem4,5
1Computational Radiology and Artificial Intelligence (CRAI) Research Group, Division of Radiology and Nuclear Medicine, Oslo University Hospital, Oslo, Norway.
Journal of magnetic resonance imaging : JMRI
|January 10, 2025
概括
半监督学习通过利用未标记的数据显著提高了大脑转移的细分精度. 这种方法增强了深度学习模型,减少了对广泛专家注释的需求,并改善了跨不同数据集的性能.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 深度学习用于细分.
背景情况:
- 深度学习用于大脑转移细分需要广泛的专家注释的数据.
- 半监督学习 (SSL) 提供了一种方法来提高模型性能,减少注释负担.
研究的目的:
- 评估SSL对细分大脑转移的有效性.
- 将SSL方法与监督的基线进行比较.
主要方法:
- 使用U-Net架构调整了三个SSL技术 (平均教师,交叉伪监督,插值一致性培训).
- 模型被训练并评估了来自多个机构的标记和未标记的大脑转移数据集,使用5倍交叉验证.
- 使用子相似系数 (DSC),豪斯多夫距离和预测计数来评估性能.
主要成果:
- 在所有测试站点中,SSL方法的性能始终优于监督基线,并显著改善了DSC (在半尺寸数据集上高达15.4%±1.4%).
- 在四个数据集中,SSL在三个数据集中获得了与经过两倍标记数据训练的监督模型相等或更好的结果.
- 在具有有限标记数据的独立外部测试组中,改善最为明显.
结论:
- SSL是一种可行的和有效的策略,可以提高大脑转移的细分性能.
- 这种方法使数据效率高的深度学习模型成为可能,这对于专家注释稀缺的临床应用至关重要.
- 通过SSL,在不同临床协议和成像扫描仪的机构中实现了强大的模型性能.


