一个生成模型使用健康和患病的图像对进行像素级胸部X射线病理局部化

科学领域:

• 医疗人工智能 医疗人工智能
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 医疗人工智能对病理学解释有希望,但需要高精度和可解释性.
• 当前人工智能模型的开发受到广泛的,精细标记的培训数据集的不实用性所阻碍.

研究的目的:

• 开发一个提示驱动的受约束生成模型,用于创建解剖学上对齐的健康和病态图像对.
• 为了解决胸部X射线图像的稀缺性,用细度的病理标签.
• 学习一个监督病理局部化模型,克服数据限制.

主要方法:

• 提出了一个提示驱动的受约束生成模型来合成高保真性,解剖学上对齐的医疗图像对.
• 使用了基于文本的生成模型,并为数据生成纳入了约束.
• 通过使用生成的数据,以受监督的方式学习了病理局部化模型.

主要成果:

• 该模型在胸部X射线中展示了微妙病理的有希望的局部精度.
• 实现了临床决策的高可解释性.
• 对未见的病理类别和混合病理表现出良好的可转移性.

结论:

• 开发的AI模型为胸部X射线分析提供了实用的解决方案,克服了数据采集的挑战.
• 这种方法对于其他需要大量手动标记数据集的任务是有价值的.
• 该模型提高了医学成像中的诊断准确性和临床决策支持.