在小型MRI数据集中检测和细分小脑瘤的可行性研究,使用自主监督学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确的细分和检测小转移性脑瘤对于有效的治疗计划至关重要.
• 医学注释数据集的有限可用性对训练深度学习模型构成了重大挑战.

研究的目的:

• 评估训练深度神经网络的可行性,以便在MRI扫描中细分和检测小转移性脑瘤.
• 通过利用主要瘤的大型公共数据集,评估使用一个小数据集 (33个案例) 的有效性.

主要方法:

• 探索监督学习,转移学习 (两种方法) 和自我监督学习 (SSL).
• 利用U-net和Swin UNETR深度学习模型进行瘤细分和检测.
• 利用主要瘤的大型公共数据集来扩大转移性瘤的小数据集.

主要成果:

• 使用Swin UNETR模型进行自我监督学习,表现最好.
• 获得了大约0.19的小脑瘤子得分.
• 获得了100%的灵敏度和54.5%的特异性,当排除过度强度的受试者时,其提高到80.0%.

结论:

• 在有限的数据中,可以使用SSL训练有效的模型进行小脑瘤细分和检测.
• 结合转移学习的SSL显示出克服医疗成像AI中的数据短缺的希望.