一个新的开源超声波数据集,具有深度学习基准,用于脊髓损伤局部化和解剖细分

科学领域:

• 医学成像医学成像
• 机器学习是机器学习.
• 脊髓的解剖学 脊髓的解剖学

背景情况:

• 在临床环境中采用深度学习受到数据采集和注释成本的阻碍.
• 开发强大的医疗机器学习模型需要大量的注释数据集.

研究的目的:

• 呈现最大的可供公开使用的脊髓超声图像注释数据集.
• 为基准对象检测和语义细分模型用于脊髓损伤局部化和解剖标签.
• 评估对人类脊髓超声波数据的细分模型的零射击概括.

主要方法:

• 编制了10,223张猪脊髓B模式超声波图像的数据集 (N=25) 损伤前后.
• 基准的最先进的对象检测 (例如,YOLOv8) 和语义细分 (例如,DeepLabv3,SAMed) 算法.
• 评估模型性能使用平均平均精度 (mAP) 进行本地化和平均子得分进行细分,包括对人类数据的零射击概括.

主要成果:

• YOLOv8实现了最高的伤害定位性能,其mAP50-95得分为0.606.
• DeepLabv3在猪体解剖细分方面表现出最准确的准确性 (平均子:0.587).
• SAMed显示了对人体解剖学细分的最高概括 (平均子:0.445).

结论:

• 这一数据集是推动脊髓超声波研究和临床应用的宝贵资源.
• 具体的模型显示,在脊髓超声波中,自动损伤检测和解剖细分具有前途.
• 需要进一步的研究,以改善动物数据训练的模型对人类临床应用的概括性.