使用挖掘注释的脑MRI肿瘤检测模型的半监督训练

• 作者: 施珏倩（译） 于红（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 357-358
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.r0403

摘要

人工智能（AI）应用于肿瘤影像诊断的概念起源于肿瘤的自动检出，是AI下游任务的基础。然而，上游训练需要更多的图像标注，专项事后图像标记的工作即繁琐又昂贵。目的 旨在对图像存储传输系统（PACS）中的临床影像进行标注是否可被深度挖掘、自动规划并应用于脑肿瘤检出模型的上游训练。资料与方法 针对肿瘤中心的PACS系统进行回顾性研究，收集自2012年1月—2017年12月间包括T1增强后横断面扫描的所有脑MRI扫描影像，对数据分析。线条标注被转换为方框标注，如方框小于1 cm或长于7 cm则被剔除。方框的结果利用RetinaNet和Mask基于区域的卷积神经网络（R-CNN）构建并用于目标检测的上游训练。基于数据集的最好的训练模型是在训练影像中检测出未被标记的肿瘤（自标记），并自动修正许多错误标记。自标记后，利用扩张数据集再训练新模型。将来自100例病人（403个轴内强化肿瘤与54个轴外强化肿瘤）的754幅人工标记影像作为参照，对模型留存验证数据的精准率、召回率、F1值进行评分。采用bootstrap重采样验证模型的F1值。结果 PACS系统标记处线性标记31 150个，产生11 880个方框标记。这一挖掘数据集被用于训练模型，F1值分别为0.886（RetinaNetR-CNN）和0.908（MaskR-CNN）。自标记增加了18 562个训练方框，将模型的F1值分别提高至0.935（P<0.001）和0.954（P<0.001）。结论 半监督学习的挖掘图像标记的应用可以显著提高肿瘤的检出率，F1值高达0.954。这一研究方法可应用于其他影像模态。未使用的数据库的重利用，可以实现跨放射学模态的肿瘤自动检出。