用于可泛化颅内出血检测与分割的半监督学习
图像与视频处理
2024-04-11 v2 计算机视觉与模式识别
机器学习
摘要
目的：开发与评估一种用于分布外头部 CT 评估集上颅内出血检测与分割的半监督学习模型。材料与方法：本回顾性研究使用半监督学习来提升性能。一个初始“教师”深度学习模型在 2010-2017 年从美国一家机构收集的 457 例像素标注头部 CT 扫描上训练，并用于对来自 RSNA 和 ASNR 的 25000 例独立无标注检查生成伪标签。第二个“学生”模型在该像素标注与伪标签组合数据集上训练。超参数调优在 93 例扫描的验证集上进行。分类（n=481 例检查）与分割（n=23 例检查，即 529 张图像）的测试在 CQ500（印度进行的 481 例扫描的数据集）上完成，以评估分布外泛化能力。使用受试者工作特征曲线下面积（AUC）、Dice 相似系数（DSC）和平均精度（AP）指标将半监督模型与仅在标注数据上训练的基线模型比较。结果：在 CQ500 上，半监督模型的检查 AUC 较基线统计显著更高（0.939 [0.938, 0.940] 对 0.907 [0.906, 0.908]）（p=0.009）。其 DSC（0.829 [0.825, 0.833] 对 0.809 [0.803, 0.812]）（p=0.012）与像素 AP（0.848 [0.843, 0.853] 对 0.828 [0.817, 0.828]）也高于基线。结论：在半监督学习框架中加入无标注数据，相较有监督基线展现出更强的颅内出血检测与分割泛化潜力。
引用
@article{arxiv.2105.00582,
title = {Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation},
author = {Emily Lin and Esther Yuh},
journal= {arXiv preprint arXiv:2105.00582},
year = {2024}
}