美国国立卫生研究院利用AI自动检测肺部异常,突破数据收集瓶颈

美国国立卫生研究院利用AI自动检测肺部异常,突破数据收集瓶颈

美国国立卫生研究院(NIH)的研究人员开发了一种基于深度学习的系统来自动检测肺结节,即肺中的小的圆形或卵形增生。

研究人员在论文中写道,“深度学习取得了重大的成功。然而,足以覆盖人口多样性的大量的训练样本,对于产生高质量的结果往往是必要的。但由于以下几个原因,医学图像领域的数据可用性,特别是涉及病理时的数据可用性非常有限:如显著的图像采集成本,对敏感患者信息的保护,有限的疾病病例数量,数据标记困难以及地点,规模的巨大差异。”

团队使用NVIDIA Tesla GPU和cuDNN -accelerated Caffe深度学习框架,以及1千个肺部结节图像来训练他们的条件生成对抗性网络。一旦训练完成,该系统会生成数千个额外的人造肺结节图像。

美国国立卫生研究院利用AI自动检测肺部异常,突破数据收集瓶颈

用于肺部结节发生的3D CGAN结构。输入是原始的CT VOI,y包含一个真实的结节和相同的VOI ,x中心区域被擦除。通道号码放置在每个功能图的旁边。

团队表示,“我们的系统提供了一种可行的方法来帮助克服在医学图像中获取边缘病例数据的困难,并且我们证明GAN合成的数据可以提高模型对病态肺部的区分,我们的CGAN方法可以提供有效且通用的方法,来帮助克服在医学成像中收集数据集的瓶颈。”

美国国立卫生研究院利用AI自动检测肺部异常,突破数据收集瓶颈

与其他三个神经网络比较的肺部分割结果

当与其他三个神经网络相比较时,CGAN方法在骰子分数,Hausdorff和平均表面距离方面产生了更好的结果。骰子分数从0.964提高到0.989,Hausdorff和平均表面距离分别减少了2.4毫米和1.2毫米。研究人员表示,在视觉质量方面,拟建的网络在分割掩模质量方面有了相当大的改进。

发表评论