通过自我监督的大规模卷积神经网络进行自动医疗成像细分
Yuheng Li1, Jacob F Wynne2, Yizhou Wu3
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, GA 30322, USA; Department of Biomedical Engineering, Emory University and Georgia Institute of Technology Atlanta, GA 30308, USA.
概括
本研究介绍了Sparse Submanifold U-Nets (SS-UNets),用于使用自主监督学习进行强大的医疗图像细分. 这些模型在CT,MRI和PET成像中显示了更好的性能和可扩展性,减少了对标记数据的需求.
科学领域:
- 用于医学图像分析的深度学习.
- 放射学自主监督学习在放射学.
- 计算解剖学和图像分割.
背景情况:
- 用于医疗图像细分的监督学习需要大量的标记数据,这是昂贵的和耗时的.
- 临床数据的变化对开发可概括的细分模型构成挑战.
- 自主监督学习为利用大型未标记数据集提供了一个有希望的途径.
研究的目的:
- 开发一个强大的,大规模的深度学习模型用于医疗图像细分.
- 利用自我监督学习来克服监督方法和数据变化的局限性.
- 创建一个可扩展的模型,适用于各种成像模式.
主要方法:
- 策划了一组多中心CT数据集,用于自主监督的预训练,使用面具图像建模和稀疏的亚多元卷积.
- 设计和预先训练的各种尺寸的稀疏分组U网 (SS-UNets).
- 在TotalSegmentator数据集上微调SS-UNets,并在未见的数据集上评估了稳定性和可转移性.
主要成果:
- SS-UNets的表现优于最先进的自我监督方法,获得了高的子相似系数 (DSC) 和表面子系数 (SDC) 分数.
- 在TotalSegmentator上,SS-UNet-B实现了84.3%的DSC和88.0%的SDC.
- 细分性能与模型大小进行缩放,在参数数量较大时显示显著改进.
结论:
- 自主监督学习对于CT,MRI和PET领域的医疗图像细分是有效的.
- 开发的方法减少了对标记数据的依赖,减轻了过度匹配,并提高了概括性.
- 潜在的应用包括通过精确的器官和病变细分来简化癌症检测和放射治疗规划.
