一项针对专家知情的活跃肺结节细分研究
Shuangping Tan1, Tong Zhang2, Youfeng Deng3
1Wuhan Puai Hospital, Tongji Medical College, Huazhong University of Science and Technology (Wuhan Fourth Hospital), 473 Hanzheng Street, Qiaokou District, Wuhan City, 430200 China.
Biomedical engineering letters
|July 8, 2025
概括
本研究引入了一种专家知情的积极学习方法,用于CT扫描中的肺结节细分. 它通过将放射科医生的专业知识整合到深度学习模型中来提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 从CT图像中精确细分肺结节对于肺癌的诊断和治疗至关重要.
- 当前的细分算法往往缺乏放射科医生的专业知识,限制了模型的概括性和可靠性.
研究的目的:
- 为肺结节细分开发专家知情的积极学习方法.
- 有效地将放射科医生知识集成到深度细分模型中,以提高准确性和可靠性.
主要方法:
- 开发了一个主动学习方案,以代优化深度细分模型.
- 来自细分结果和放射科医生纠正的结合不确定性.
- 利用交互式图形接口进行在线专家知识整合.
主要成果:
- 拟议的方法显著改善了Luna16数据集上的肺结节细分性能.
- 在深度学习算法中展示了多位放射科医生的专业知识的有效整合.
结论:
- 专家通知的方法提高了计算机辅助诊断的细分性能,有效性,可靠性和通用性.
- 促进专家知识的整合,使医疗成像中的人工智能更可靠.
