半监督标签生成用于3D多模态MRI骨瘤细分的标签生成
Anna Curto-Vilalta1,2, Benjamin Schlossmacher3, Christina Valle3
1Department of Orthopedics and Sports Orthopedics, Klinikum Rechts Der Isar, Technical University of Munich, Ismaninger Strasse 22, 81675, Munich, Germany. anna.curto-vilalta@tum.de.
Journal of imaging informatics in medicine
|February 20, 2025
概括
本研究介绍了一种人工智能框架,用于生成可靠的3D医学图像细分标签,使用最少的放射科医生输入. 人工智能辅助标签提高了细分质量,在61.67%的骨瘤细分评估中表现优于专家标签.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 在瘤学瘤学.
背景情况:
- 医疗图像细分至关重要,但受到专家注释变化的阻碍.
- 现有的方法往往侧重于2D或单一的模式,缺乏强大的3D多模式解决方案用于临床使用.
- 可靠的3D多模式细分对于瘤学等应用至关重要.
研究的目的:
- 开发一个框架,以最小的放射科医生输入生成可靠,公正的3D细分标签.
- 为了减少放射科医生的工作量和医疗图像分割的手动标签的变化.
- 为了提高标签的质量和可靠性,用于3D多模式骨瘤细分.
主要方法:
- 一个两步框架,结合了3D多模式无监督细分 (特征集群) 和半监督的改进.
- 人工智能辅助标签的生成和与传统专家生成的标签的比较.
- 训练两个3D-Unet模型进行3D多模块骨瘤细分,一个为每个标签类型.
主要成果:
- 人工智能辅助的标签框架产生了精确的细分标签,最小的专家投入.
- 使用人工智能辅助标签训练的模型在61.67%的盲目评估中表现优于基线模型.
- 对于3D多模态骨瘤细分的细分质量和标签可靠性有明显的提高.
结论:
- 人工智能辅助的标签大大减少了放射科医生的工作量,并提高了标签的可靠性.
- 拟议的框架在3D多模式细分方面实现了最先进的性能.
- 这种方法有可能推进需要准确医疗图像细分的临床应用.
