在低数据非对比CT成像中,基于标签效率的序列模型的弱监督的内出血细分在低数据非对比CT成像中

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 深度学习用于医学诊断

背景情况:

• 内出血 (ICH) 是通过非对比CT (NCCT) 诊断的,但ICH可视化很差.
• 对ICH进行准确的深度学习细分需要大量的语音注释数据.
• 在临床环境中,有限的注释数据阻碍了强大的ICH细分.

研究的目的:

• 开发一种弱监督 (WS) 的方法,用于仅使用图像级标签 (ICH存在/不存在) 的ICH细分.
• 为了减少耗时的语音标注的需求,实现高效的,特定站点的解决方案.
• 证明大图像级注释数据集的实用性,以在大数据和低数据系统中进行强大的ICH细分.

主要方法:

• 提出了一种WS方法,利用图像级标签中的类激活地图 (CAM) 来识别ICH位置.
• 以无监督的方式改进了ICH伪面具,以训练细分模型.
• 在连续的NCCT切片中利用切片间的依赖性来实现强大的激活地图,并比较在大型数据集上训练的WS性能与基线低数据模式.

主要成果:

• 在低数据模式下,WS方法实现了0.583 (PhysioNet) 和0.64 (INSTANCE) 的Dice重叠系数 (DSC),显著超过完全监督的基线 (p < 0.001).
• 在PhysioNet上获得了0.583的DSC,超过了在100%的ICH切片上训练的最先进的WS方法 (DSC为0.44).
• 证明了使用大数据集 (RSNA) 的比例来训练WS模型以在低数据场景中实现强大的性能的有效性.

结论:

• 使用图像级标签在NCCT图像中进行ICH细分的新型WS方法为临床紧急情况设置提供了有效的标签解决方案.
• 这种利用切片间依赖和无监督精炼的方法,表现优于完全监督和现有的WS方法.
• 强调大型数据集和WS方法论对于推进自动化出血分析的重要性.