胸部X射线中的自动化多损伤注释:使用基于AI的智能图像框架和真实化 (SIFT) 系统,注释来自公共数据集的45万多张图像
Lin Guo1, Fleming Y M Lure2, Teresa Wu3
1Shenzhen Zhiying Medical Imaging, Shenzhen, Guangdong, China.
概括
一个人工智能工具,智能图像框架和真实化 (SIFT),有效地注释了胸部X射线上的肺病变. 这种由人工智能驱动的系统显著提高了放射科医生的效率,并增强了开发新人工智能技术的数据集.
科学领域:
- 医疗成像中的人工智能
- 放射学和诊断成像 放射学和诊断成像
- 计算病理学计算病理学
背景情况:
- 对胸部X射线 (CXR) 上的肺病变的准确注释对于AI发展至关重要.
- 现有的注释方法可能是耗时和劳动密集的.
- 大量,高质量的数据集对于训练强大的AI模型至关重要.
研究的目的:
- 开发和评估基于人工智能的图像注释工具,智能图像框架和真实化 (SIFT),用于CXR肺部异常.
- 与传统的半自动方法相比,评估SIFT的效率和准确性.
- 提高AI培训注释CXR数据集的质量和数量.
主要方法:
- 利用基于多任务,最佳推和最大预测分类和细分 (MOM ClaSeg) 技术的SIFT工具,对来自四个公共数据集的452,602张CXR图像进行注释.
- SIFT识别和划分了65个不正常的感兴趣区域 (ROI),提供了信心评分,并提出了建议.
- 底层的MOM ClaSeg系统集成了Mask R-CNN和决策融合网络,在超过30万个CXR上受过训练.
主要成果:
- 与传统方法相比,SIFT表现出高效率,在放射科医生使用时,它提高了7.92倍的注释速度.
- 该系统在四个不同的CXR数据集中实现了89.38%±11.46%的平均灵敏度.
- 在CXR图像上,SIFT准确地预测了ROI的异常类型和边界位置.
结论:
- SIFT系统为CXRs上注释肺病变和异常提供了一个高效和准确的解决方案.
- 这种人工智能工具显著增强了为医疗人工智能开发创建培训和测试数据集的过程.
- SIFT有可能加速人工智能驱动的诊断成像技术的进步.
更多相关视频
06:15Author Spotlight: Introducing the Tile/SED/Array Interface for Rapid Field of View Positioning in Tissue Imaging
Published on: September 15, 2023
377
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
497
