提高深度学习模型的稳定性,从入院头部CTCT预测血瘤扩张
Anh T Tran1,2, Gaby Abou Karam2, Dorin Zeevi1,2
1From the Department of Radiology (A.T.T., D.Z., S.P.), NewYork-Presbyterian/Columbia University Irving Medical Center, Columbia University, New York, New York.
AJNR. American journal of neuroradiology
|January 10, 2025
概括
对抗性训练提高了深度学习模型的稳定性,用于预测急性脑内出血 (ICH) 患者的血液瘤扩张 (HE). 将对抗扫描与Otsu细分相结合,可以提高头部CTs的HE预测准确度.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 深度学习模型需要对临床部署的输入干扰的稳定性.
- 敌对攻击微妙地操纵医疗扫描,增加预测错误.
- 提高模型稳定性对于可靠的临床决策至关重要.
研究的目的:
- 提高深度学习模型的稳定性,用于预测血瘤扩张 (HE).
- 评估对抗性训练和输入修改策略,用于从脑内急性出血 (ICH) 患者的头部CT扫描中预测HE.
主要方法:
- 利用多中心队列进行ICH患者的培训 (n=890) 和独立验证 (n=684).
- 应用快梯形信号方法 (FGSM) 和预测梯形下降 (PGD) 对抗性攻击用于训练和测试.
- 开发了模型来预测不同程度的HE (≥3毫升至≥12毫升),并纳入了Otsu多门细分.
主要成果:
- 仅在清洁扫描上训练的模型在对抗攻击时表现下降 (AUC 0.67-0.71).
- 最优的策略包括使用5:3混合的干净和PGD对抗扫描以及Otsu细分的训练,达到0.77的平均AUC.
- 敌对训练提高了对特定攻击类型的强度,但显示出有限的交叉攻击概括性.
结论:
- 对抗性培训显著提高了深度学习模型的稳定性,用于急性ICH的HE预测.
- 将基于值的细分作为额外的输入进一步提高了模型性能和可靠性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K