评估早期手术后质母细胞瘤细分数据质量的影响

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 在手术后准确量化剩余的质母细胞瘤瘤对于患者管理至关重要.
• 早期的术后磁共振成像 (MRI) 分段是具有挑战性的,因为小,碎片化的病变和噪音.

研究的目的:

• 评估图像和注释质量对深度学习模型性能对早期手术后质母细胞瘤细分的影响.
• 评估不同数据质量水平如何影响模型培训和概括.

主要方法:

• 一个注意力U-Net模型使用来自两个医院的423个早期术后MRI扫描数据集进行了训练.
• 根据图像和注释质量分层的子集使用了五倍交叉验证.
• 专家神经外科医生评估了图像和注释质量.

主要成果:

• 仅在高质量的注释上训练的模型实现了与在完整数据集上训练的模型相比的性能.
• 从培训中排除低质量的图像并没有损害高质量的图像的性能.
• 仅在高质量的图像上训练的模型未能将低质量的数据泛化.

结论:

• 图像和注释质量都会对细分模型的性能产生重大影响.
• 数据集策划应包括代表现实世界质量变化的图像.
• 优先考虑高质量的基本事实注释对于稳健的模型开发至关重要.