深度解剖联合网络 (Dafne):一个开放的客户端-服务器框架,用于基于深度学习的医疗图像细分的持续,协作改进
Francesco Santini1,2, Jakob Wasserthal2, Abramo Agosti3
1Basel Muscle MRI, Department of Biomedical Engineering, University of Basel, Basel, Switzerland.
Radiology. Artificial intelligence
|April 16, 2025
概括
达芬 (Dafne) 是一个深层解剖联合网络,通过协作学习来提高放射性图像细分的准确性. 这种开源系统随着时间的推移提高了模型性能,为各种成像数据展示了强大的概括性.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的人工智能
- 机器学习用于医疗保健
背景情况:
- 放射图像的语义细分对于准确的诊断至关重要.
- 现有的深度学习模型通常需要大型的集中数据集.
- 需要分散和协作方法来利用多样化的数据,同时保持隐私.
研究的目的:
- 介绍和评估Dafne (深度解剖联合网络),一个新的去中心化,协作深度学习系统.
- 使用联合增量学习实现放射图像的语义细分.
- 为医疗成像中的协作人工智能提供免费可用的开源框架.
主要方法:
- 达芬使用客户端-服务器架构,具有先进的用户界面,用于预测改进.
- 联合增量学习在客户端执行,更新集成到中央模型中.
- 评估包括对38个下腿MRI数据集的局部评估和对639个现实世界使用案例的分析.
主要成果:
- 在连续几代模型中,Dafne在语义细分精度方面取得了统计学上显著的改进 (每代平均Dice系数增加0.007,P < .001).
- 定性分析显示,在各种放射性图像类型上,模型性能得到了增强,包括未见的数据,表明了良好的概括性.
- 现实世界的使用统计证实了该系统的有效性和协作潜力.
结论:
- 通过分散的,协作式的联合学习方法,Dafne有效地提高了放射图像细分质量.
- 该系统具有强大的潜力,可以在各种成像数据集中进行持续学习和概括.
- 达芬提供了一种有价值的开源工具,用于推进人工智能驱动的医学图像分析.
