Annotation-高效的深度学习检测和CT中中枢淋巴结的测量
Alon Olesinski1, Richard Lederman2, Yusef Azraq2
1School of Computer Science and Engineering, The Hebrew University of Jerusalem, Jerusalem, Israel.
International journal of computer assisted radiology and surgery
|September 13, 2025
概括
这项研究引入了一种半监督的深度学习方法,用于在CT扫描中自动测量中枢淋巴结 (LNs). 这种方法显著减少了对专家注释的需求,同时保持了高准确度,提高了回忆率高达24%.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 在对比度增强的CT (ceCT) 扫描中手动测量中淋巴结 (LNs) 是标准的,但耗时且容易变化.
- 深度学习模型提供自动化解决方案,但通常需要广泛的专家注释,造成重大瓶.
研究的目的:
- 开发一个具有注释效率的半监督深度学习方法,用于在ceCT扫描中自动检测,细分和测量中枢性LN短轴长度 (SAL).
- 为了减少人工智能模型在医学成像中训练所需的手动注释工作.
主要方法:
- 一种半监督的方法,将专家注释与来自未注释扫描的伪标签数据相结合.
- 利用一组3D nnU-Net模型生成伪标签,然后进行解剖学过以删除假阳性.
- 在过的伪标签上训练了一个最终的3D nnU-Net模型,优化了注释与未注释数据的比例.
主要成果:
- 与完全监督的方法相比,半监督模型实现了11-24% (0.72-0.87) 的回忆改进,精度可比.
- 最好的模型表明正常LNs的平均SAL差异为1.65 ± 0.92毫米,扩大LNs的平均SAL差异为4.25 ± 4.98毫米,属于观察者可变性.
- 根据三个胸部CECT数据集进行评估,其中包括268个注释和710个无注释扫描.
结论:
- 拟议的半监督方法需要显著减少注释 (四分之一至八分之一),以实现与中线下线路测量完全监督模型相比的性能.
- 伪标签与解剖学过相结合,为解决开发放射学AI解决方案的注释挑战提供了一个可行的策略.
