在CT中进行3D通用损伤检测和标记,并自动训练
Jared Frazier1, 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
这项研究引入了用于CT扫描中3D病变检测和标记的自我训练管道. 该方法使用有限的数据集实现了高灵敏度,帮助放射科医生测量损伤和评估瘤负担.
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:
- 放射科医生在CT研究中的病变定位,分类和测量方面面临着挑战.
- 全面病变检测和标记 (ULDT) 旨在简化这些任务,并使瘤负担评估成为可能.
- 现有的ULDT方法在DeepLesion等数据集中与不完整的体积数据和类不平衡作斗争.
研究的目的:
- 开发一种自我训练管道,以根据身体部位的位置检测和标记3D病变.
- 克服现有数据集和3D病变分析方法的局限性.
主要方法:
- 在DeepLesion数据集的30%子集上训练了一个VFNet模型,用于2D病变检测和标记.
- 采用了自我训练方法,将2D损伤背景扩展到3D,并代地重新训练模型.
- 该管道将挖掘的3D损伤提案整合回到多轮训练数据中.
主要成果:
- 在VFNet模型中,仅使用30%的数据,在[0.125:8]假阳性结果时,平均灵敏度为46.9%.
- 性能可与利用整个DeepLesion数据集的现有方法相提并论.
- 该模型成功地在3D中检测到病变,并按身体部位标记它们.
结论:
- 自我训练是3D病变检测和标记的有效策略,即使数据有限.
- 这种方法可以提高放射性评估的效率和准确性.
- 这项工作代表了第一个联合的3D病变检测和身体部位标记方法.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.6K
03:38Unilateral Lung Volume Analysis Using Micro-CT for Enhanced Assessment of Pulmonary Fibrosis in Preclinical Models
Published on: June 20, 2025
332
