图像采集与患者表型差异在自动分割模型泛化中的作用
图像与视频处理
2023-07-28 v1 计算机视觉与模式识别
机器学习
摘要
目的：本研究评估了自动化医学图像分割模型的域外性能与泛化能力，特别关注对新图像采集方式和疾病类型的适应。材料：使用了健康患者与多囊肾病（PKD）患者的非增强和增强腹部CT扫描数据集。共400张图像（100张非增强对照、100张增强对照、100张非增强PKD、100张增强PKD）用于训练/验证分割肾、肝、脾的模型，最终模型在100张受PKD影响患者的非增强CT图像上测试。使用Dice、Jaccard、TPR和Precision评估性能。结果：在域内数据测试时，于多样化数据上训练的模型表现不差于仅在域内数据上训练的模型。例如，在每个数据集各取25%训练的模型的Dice相似度被发现有不劣于纯域内数据训练的模型。结论：结果表明更宽泛的训练样本显著增强了模型泛化与域外性能，从而提升了自动分割工具在临床环境中的适用性。本研究结果为未来以数据为中心的方法开展医学图像AI模型开发提供了路线图。
引用
@article{arxiv.2307.14482,
title = {Role of Image Acquisition and Patient Phenotype Variations in Automatic Segmentation Model Generalization},
author = {Timothy L. Kline and Sumana Ramanathan and Harrison C. Gottlich and Panagiotis Korfiatis and Adriana V. Gregory},
journal= {arXiv preprint arXiv:2307.14482},
year = {2023}
}