产生性AI用于弱监督的细分和下游分类脑瘤在MR图像上
Jay J Yoo1,2,3,4, Khashayar Namdar1,2,4, Matthias W Wagner2,5,6
1University of Toronto, Institute of Medical Science, Toronto, M5S 1A8, Canada.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种弱监督的脑瘤细分方法,使用简单的图像级标签,减少放射科医生的工作量. 该方法提高了细分精度和分类性能,与手动注释相比.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 医学图像,特别是脑瘤的准确细分至关重要,但由于手动注释要求,资源密集.
- 现有的机器学习细分方法通常依赖于详细的手册注释,这对放射科医生来说是一个重要的瓶.
研究的目的:
- 开发一个弱监督的细分方法用于脑瘤,使用易于获得的图像级标签,而不是手动细分.
- 通过识别和删除低于最佳的结果来提高监督弱的细分的可靠性和下游任务性能.
主要方法:
- 提出了一种弱监督的方法,利用二进制图像级标签用于MRI扫描上的脑瘤细分.
- 生成健康的图像变体作为训练细分模型的先验.
- 开发了一种方法来识别和丢弃不可靠的细分,而不需要地面真相数据,使用生成的非癌变体.
主要成果:
- 实现了79.27% (BraTS 2020) 和73.58% (pLGG数据集) 的子系数.
- 在删除次优细分后,细分精度提高到88.69% (BraTS) 和80.29% (pLGG).
- 使用生成细分的瘤分类产生了93.54%的AUC (BraTS) 和83.74%的AUC (pLGG),与手册注释相当.
结论:
- 使用图像级标签的弱监督细分是用于脑瘤细分手动注释的可行替代方案.
- 拟议的方法有效地识别和删除不可靠的细分,提高下游任务性能.
- 这种方法为医学成像中大脑瘤分析提供了更有效和可扩展的解决方案.
