联合和集中学习的比较性能评估,用于睡眠内镜图像中的Velum和OTE细分
Jong Chan Yeom1, Jin Youp Kim2,3, Young Jae Kim4
1Department of Bio-health Medical Engineering, Gachon University, Gil Medical Center, Incheon, Republic of Korea.
Journal of imaging informatics in medicine
|December 2, 2025
概括
与联合学习 (FL) 相比,集中学习 (CL) 在从药物诱导睡眠内镜 (DISE) 图像中对上呼吸道结构进行细分方面表现优异. 需要进一步的研究来改进阻塞性睡眠呼吸暂停 (OSA) 分析的FL.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 在药物诱导睡眠内镜 (DISE) 中,精确细分上呼吸道结构对于诊断阻塞性睡眠呼吸暂停 (OSA) 至关重要.
- 在多机构DISE数据中对语义细分进行集中学习 (CL) 和联合学习 (FL) 的比较对于在睡眠医学中推进AI至关重要.
研究的目的:
- 在 DISE 图像中系统地比较 CL 和 FL 方法的性能,以对 DISE 图像中的关键上空气道区域 (面膜,口腔大,舌头底部,上) 进行细分.
- 评估卷积神经网络 (CNN) 在CL和FL范式下的语义细分的有效性.
主要方法:
- 使用了多机构的DISE视频图像数据集.
- 开发并应用了基于CNN的语义细分模型.
- 使用集中学习 (CL) 和联合学习 (FL) 框架训练和评估模型.
- 通过使用精度,回忆,准确性和子相似系数 (DSC) 评估细分性能.
主要成果:
- 在所有评估的指标中,CL在细分毛皮和口腔,舌头底部和表皮 (OTE) 区域方面显著优于FL.
- 与FL (81.78% ± 0.58%和85.20% ± 0.25%,分别) 相比,CL在皮膜 (85.91% ± 1.01%) 和OTE (87.04% ± 0.41%) 中获得了较高的DSC值.
- 两种方法都面临着模两可的边界和解剖学变异性的挑战,特别是在舌头底部,而表和口腔大侧壁细分显示出更高的准确性.
结论:
- 与当前的FL方法相比,CL在DISE图像中对上呼吸道细分的精度更高.
- 需要先进的FL技术,包括改进的优化和处理数据异质性的方法,以弥合与CL的性能差距.
- 这项研究为开发OSA分析的强大深度学习模型提供了关键的见解,并强调需要对先进的FL策略和临床验证进行进一步研究.
