自动审计和自我纠正算法用于使用MeshCNN基于按需生成AI的分段幻觉
Sihwan Kim1,2, Changmin Park1,2, Gwanghyeon Jeon2
1Department of Applied Bioengineering, Graduate School of Convergence Science and Technology, Seoul National University, Seoul 08826, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
我们开发了一个自动化算法来检测和修复医疗图像中的Seg-Hallucinations,提高AI细分精度,而不需要地面真相数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习模型在医学图像细分方面表现出色,但在概括方面扎,并可能产生不现实的Seg-Hallucinations.
- 细分幻觉导致不准确的定量分析和失去关键的成像生物标记信息.
- 目前用于审计或纠正Seg-幻觉的现有方法是有限的.
研究的目的:
- 提出一个自动化的Seg-幻觉监测和校正 (ASHSC) 算法.
- 为了解决Seg-幻觉,只使用CT图像中的3D器官面具信息,没有基本真相.
- 提高基于深度学习的医疗图像细分的可靠性和效率.
主要方法:
- 开发了一个双阶段的,按需的ASHSC算法,使用基于网状卷积神经网络和生成AI.
- 利用CT扫描中的3D器官面具信息进行公开可用的数据集的培训和评估.
- 基于质量级别 (SQ级别) 的员工细分监测和按需纠正策略.
主要成果:
- 监测阶段实现了高性能,AUROC为0.94 ± 0.01,灵敏度为0.82 ± 0.03,特异性为0.90 ± 0.01,PPV为0.92 ± 0.01.
- 与单独的AI细分相比,按需校正阶段显著改善了所有相似度指标 (子得分,体积误差,表面距离,豪斯多夫距离).
- 该ASHSC算法证明了有效的Seg-幻觉处理没有地面真相,为不确定性区域提供3D指导.
结论:
- 在基于深度学习的医学图像细分中,ASHSC算法有效地审计和纠正Seg-Hallucinations.
- 这种方法消除了对地面真相数据的需求,提高了实用性和效率.
- ASHSC算法推进了自动审计和校正方法,提高了医学成像分析的可靠性.
