用于创伤性脑损伤后CT影像鲁棒多站点分割的分布式深度学习
计算机视觉与模式识别
2019-03-12 v1
摘要
机器学习模型在医学影像领域正变得普遍，而这些方法带来了对更多数据日益增长的需求。然而，为保护患者匿名性，在机构间传输受保护健康信息（PHI）通常是不切实际或被禁止的。此外，由于某些研究的性质，可能不存在可用于训练模型的大型公共数据集。为解决这一难题，我们分析了在不同站点间传输模型本身而非数据的有效性。通过这样做，我们实现了两个目标：1）模型获得了对通常无法获取的更大数据集的训练访问权；2）模型通过在来自不同地点的数据上训练而更好地泛化。本文中，我们在不泄露PHI的前提下，使用来自美国国立卫生研究院（NIH）和范德堡大学医学中心（VUMC）的不同数据集实现多站点学习。三个神经网络在 computed tomography（CT）脑血肿分割任务上训练至收敛：一个仅使用NIH数据，一个仅使用VUMC数据，以及一个在NIH和VUMC数据间交替的多站点模型。多站点模型生成的病灶掩模平均Dice相似系数为0.64，自动分割的血肿体积与手动分割结果的Pearson相关系数为0.87，分别比单站点模型对应结果提高了8%和5%。
引用
@article{arxiv.1903.04207,
title = {Distributed deep learning for robust multi-site segmentation of CT imaging after traumatic brain injury},
author = {Samuel Remedios and Snehashis Roy and Justin Blaber and Camilo Bermudez and Vishwesh Nath and Mayur B. Patel and John A. Butman and Bennett A. Landman and Dzung L. Pham},
journal= {arXiv preprint arXiv:1903.04207},
year = {2019}
}