利用先进的机器学习技术在肺纤维化中进行微观血管细分,使用新型层次相位对比断层图像

科学领域:

• 医疗成像医学成像
• 肺部医学 肺部医学
• 人工智能的人工智能

背景情况:

• 纤维性肺部疾病会导致不可逆转的肺部痕和呼吸衰竭,通常是晚期诊断的.
• 肺血管系统越来越多地与纤维化肺病的病原发生有关.
• 高分辨率层次相位对比断层扫描 (HiP-CT) 提供了早期检测的潜力,但产生了大量难以标记的数据集.

研究的目的:

• 在HiP-CT肺部数据中对血管细分的机器学习 (ML) 方法进行定性评估.
• 为了使标签传播用于成像生物标志物在早期间歇性肺部疾病的发现.
• 在显著的纤维化发生之前识别可治疗的肺部疾病.

主要方法:

• 两个半监督学习 (SSL) 方法的比较:SegPL (伪标签) 和MisMatch (一致性规范化).
• 根据最先进的监督学习方法进行评估,nnU-Net.
• 适用于稀有标记的HiP-CT肺部数据,用于血管细分.

主要成果:

• 无论是MisMatch还是SegPL,都在船舶细分方面表现出有希望的质量表现.
• SSL方法表现出优越的分布外性能,处理各种容器形态和纹理.
• 监督学习为注释良好的数据提供了更一致的细分,但缺乏通用性.

结论:

• 通过使用新的HiP-CT数据,SSL方法显示了促进纤维化肺病研究的潜力.
• 需要进一步的定量研究来验证这些发现的概括性.
• 这些发现代表了利用先进成像和ML用于早期疾病检测的有希望的第一步.