通过自我训练纠正阶级不平衡,以改善通用损伤检测和标记
Alexander Shieh1, Tejas Sudharshan Mathai1, Jianfei Liu1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, Bethesda MD, USA.
ArXiv
|July 30, 2025
概括
一个新的自我训练管道通过代性地提高模型准确性来增强CT扫描中的通用病变检测和标记 (ULDT). 这种方法有效地解决了数据限制和类不平衡,提高了病变检测灵敏度.
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:
- 全面损伤检测和标记 (ULDT) 对于使用CT研究进行癌症评估至关重要.
- 像DeepLesion这样的现有数据集有注释差距和类不平衡,限制了ULDT算法开发.
- 精确的病变检测和跟踪对于监测瘤负担和治疗反应至关重要.
研究的目的:
- 在CT研究中为ULDT开发一个有效的自我培训管道.
- 克服现有数据集中不完整的注释和类不平衡的局限性.
- 为了提高病变检测算法的灵敏度和准确性.
主要方法:
- 一个VFNet模型最初被训练在DeepLesion数据集的小注释子集上.
- 实施了一种自我训练方法,在多个轮次中,从较大的未见的数据集中结合了新的病变候选人.
- 实验探讨了不同的门政策和提升样本策略,以管理阶级不平衡并提高病变选择质量.
主要成果:
- 直接自我训练提高了过度代表的损伤类的敏感性,但降低了代表性不足的损伤类的敏感性.
- 与标准自我训练相比,在4个假阳性 (FP) 时,采用采集矿山病变和可变值政策的组合增加了6.5% (72% vs 78.5%) 的灵敏度.
- 这种优化的方法显示了11.7%的灵敏度增加,而不是自我训练没有 upsampling.
- 在所有8个损伤类别中,该方法在4FP时保持或提高了灵敏度.
结论:
- 开发的自我训练管道有效地提高了CT研究中的ULDT性能.
- 通过上抽样和可变值来解决类不平衡对于稳健的病变检测至关重要.
- 这种方法为改善临床环境中的瘤负担评估和病变进展跟踪提供了一个有希望的解决方案.
