面向自动化患者数据清洗的深度学习：器官标记标准化的可行性研究
医学物理
2018-01-03 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
在临床研究项目中，数据清洗消耗了约 80% 的数据分析时间。在医学领域大数据与机器学习时代，海量数据不断生成，这是一个更大的问题。我们报告了使用深度学习实现自动化患者数据清洗的初步努力：放疗中器官标记的标准化。不同机构（有时甚至同一机构内）及不同时间段，器官标记常不一致，这给临床研究带来问题，尤其是多机构协作临床研究中获取的患者数据未被有效利用。我们开发了一种卷积神经网络（CNN）自动识别 CT 图像中每个器官，并以 AAPM 第 263 任务组提出的 standardized 命名法标记。我们在 54 名前列腺和 100 名头颈癌曾接受放疗患者的 CT 图像上测试该模型。模型在检测器官并分配标准化标记方面对受试患者达到 100% 准确率。本工作显示了在患者数据清洗中使用深度学习的可行性，可生成标准化数据集以用于有效的机构内与机构间协作临床研究。
引用
@article{arxiv.1801.00096,
title = {Towards automated patient data cleaning using deep learning: A feasibility study on the standardization of organ labeling},
author = {Timothy Rozario and Troy Long and Mingli Chen and Weiguo Lu and Steve Jiang},
journal= {arXiv preprint arXiv:1801.00096},
year = {2018}
}
备注
17 pages, 7 figures, 3 tables, 39 references