对深度主动学习模型的评估,用于对狗胸部放射图片的细分

科学领域:

• 兽医辐射学 兽医辐射学
• 医学成像分析分析 医学成像分析
• 兽医领域的人工智能

背景情况:

• 图像细分对于兽医放射学至关重要,但手动方法耗时,精度各不相同.
• 需要对兽医医学成像的AI细分工具进行评估,以评估它们对准确性和效率的影响.
• 目前尚不清楚新手用户是否可以在X光片细分中达到专家级准确度.

研究的目的:

• 评估人工智能细分工具在提高准确性和减少犬类X射线图的细分时间方面的性能.
• 将人工智能辅助的半自动细分与新手,中级和专家用户的手动细分进行比较.
• 评估人工智能对用户之间的变化和细分一致性的影响.

主要方法:

• 一个人工智能模型在50张狗胸部X射线图上接受了训练.
• 一个定制的软件允许人工智能辅助的半自动和手动细分.
• 交叉与欧盟 (IoU) 的分数和豪斯多夫距离被用来评估细分的准确性.
• 内部观察者内部类相关系数 (ICC) 评估的细分一致性.

主要成果:

• 与手动细分相比,半自动化的AI细分为腹部,心脏和脊髓过程产生了更高的IoU得分.
• 半自动化方法的豪斯多夫距离明显较小,表明更高的准确性.
• 半自动化方法 (0.81) 的内部观察者ICC明显高于手动方法 (0.36).

结论:

• 这种人工智能辅助的半自动化工具显著提高了狗胸部X光片细分的准确性和一致性.
• 人工智能工具减少了细分时间和用户变化,使所有专业水平的用户受益.
• 人工智能细分显示了通过提高效率和诊断支持来推进兽医放射学的前景.