基于放射学报告自动标注的弱监督学习用于胶质瘤变化检测

胶质瘤是成人中最常见的原发性脑肿瘤。胶质瘤变化检测旨在找出图像中随时间变化的相关区域。尽管深度学习(DL)在类似的变化检测任务中展现出有前景的性能，但大型标注数据集的创建仍是放射学中监督式 DL 应用的主要瓶颈。为克服此问题，我们提出结合使用弱标签(不精确但快速创建的标注)与迁移学习(TL)。具体而言，我们探索归纳式 TL，其中源域与目标域相同，但由于标签偏移导致任务不同：我们的目标标签由三名放射科医生手动创建，而源弱标签通过 NLP 从放射学报告中自动生成。我们将知识迁移构建为超参数优化，从而避免了相关工作中常见的启发式选择。我们研究了模型规模与 TL 之间的关系，将低容量的 VGG 与更高容量的 ResNeXt 模型进行比较。我们在由 183 名患者创建的 1693 张 T2 加权磁共振成像差异图上评估我们的模型，根据肿瘤演变将其分类为稳定或不稳定。从放射学报告中提取的弱标签使我们的数据集规模增加了 3 倍以上，并将 VGG 分类结果从 75% AUC 提升至 82% AUC。从头开始的混合训练比微调或特征提取取得了更高的性能。为评估泛化能力，我们在一个开放数据集(BraTS-2015：15 名患者，51 张差异图)上进行推理，达到最高 76% AUC。总体而言，结果表明，与计算机视觉数据集相比，医学影像问题可能受益于更小的模型及不同的 TL 策略，且由报告生成的弱标签能有效提升模型性能。代码、内部数据集及 BraTS 标签已公开。