开发多层次的3D残留U-Net,通过利用非瘤脂肪组织的注释来细分胀性脂肪组织
Jianfei Liu1, Omid Shafaat1, Ronald M Summers1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, Bethesda, MD, United States.
概括
这项研究开发了一种深度学习模型,用于使用不准确的注释对脂肪组织进行细分,在没有手动输入的情况下,精度提高了7%. 这种方法简化了医学图像分析,减少了医生的工作量.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 数据注释对于医疗图像细分中的深度学习至关重要,但耗时且需要专家的投入.
- 在CT扫描上脂肪组织细分特别费力,因为它的广泛分布.
- 现有的方法通常依赖于手动注释,这是资源密集的.
研究的目的:
- 开发用于脂肪组织细分的深度学习模型,使用不准确的,自动生成的注释.
- 评估该模型的性能和通用性,包括其对由anasarca.ca等条件引起的组织异质性的强度.
- 为了证明训练深度学习模型的可行性,而不是手动细分,从而减少注释负担.
主要方法:
- 开发一个多尺度的3D残余U-Net架构.
- 训练模型自动生成,不准确的脂肪组织注释从传统的细分方法.
- 利用101名患者的数据集进行培训和14名患者进行测试,其中10名患者使用anasarca进行压力测试.
主要成果:
- 与手动注释相比,深度学习模型在脂肪组织细分精度上取得了显著的改善 (迪斯系数从73.4 ± 14.1%提高到80.2 ± 7.1%,p <0.05).
- 该模型表现出强度和通用性,即使在具有显著脂肪组织异质性 (anasarca) 的测试数据上也表现良好.
- 这种方法成功地训练了一个深度学习模型,而不需要任何手动注释,实现了7%的准确性改进.
结论:
- 深度学习模型可以有效地使用不准确的注释来训练医疗图像细分任务.
- 这种方法显著提高了脂肪组织细分的准确性和效率,减少了对手工专家标签的需求.
- 开发的模型为简化医疗图像分析和潜在地改善临床工作流提供了一个有前途的解决方案.
