文献速递神经MR

主动学习方法训练脑部MRI肿瘤分割深度学习算法

An active learning approach to train a deep learning algorithm for tumor segmentation from brain MR images.
PubMed 文献 · Insights Imaging · 2023-08-25

本研究利用BraTS 2021公开数据集1251例多机构多参数脑MRI,评估主动学习训练胶质瘤分割模型的效果。以全量1151例训练的参考模型Dice为0.906,主动学习模型仅需28.6%数据标注即达0.868,提示可大幅减少标注工作量。

要点

  • 主动学习模型仅需手动标注28.6%的数据即可获得与全量训练参考模型相近的分割性能(Dice 0.868 vs 0.906)。
  • 模型对低于Dice阈值0.7的病例需用真实标注,高于阈值者可用预测分割替代,各轮低于阈值比例约21%–22%。
  • 低Dice病例(如0.62)常表现为肿瘤较小、对比度低且模型过度分割包含正常脑组织。

核心结论

  • 主动学习方法用于模型训练可大幅减少准备真实标注训练数据所需的时间和人力。

研究设计与样本

  • 本研究为方法学评估研究,使用2021年RSNA-ASNR-MICCAI BraTS挑战赛公开训练数据集,共1251例多机构多参数MR图像,含病理确诊胶质瘤。
  • 每个病例包含增强前T1、增强后T1、T2和T2 FLAIR图像及手动分割真实标注。
  • 数据分为训练集1151例和测试集100例(T100),测试集全程保持不变。
  • 采用NiftyNet平台上的HighRes3DNet三维卷积网络,输入T1、T2、FLAIR三序列,参考模型训练64个epoch,批大小40,初始学习率0.01,Adam优化器,Dice损失,衰减1.0e-5。
  • 将三个胶质瘤子区域合并为全肿瘤单一标签进行分割,以简化模型复杂度、聚焦主动学习评估。

关键影像表现/征象

  • 高Dice病例(单例Dice 0.96)中胶质瘤在MR图像上体积大且与背景脑组织对比明显。
  • 低Dice病例(单例Dice 0.62)中胶质瘤较小、对比度低,模型预测分割过度包含健康脑组织。
  • 主动学习前模型曾将对侧大片区域误判为胶质瘤,主动学习后该错误分割区域消失,仅分割真实肿瘤。

诊断标准与关键数值

  • 参考模型A(1151例全量训练)Dice为0.906,主动学习模型Dice为0.868,主动学习仅需手动标注28.6%的数据。
  • 主动学习阈值设为Dice 0.7,依据文献提示Dice高于0.7视为重叠良好。
  • 模型B中576例未用病例有127例(22.0%)低于0.7阈值需替换为真实标注;模型C各轮低于阈值比例分别为43/200(21.5%)、133/600(22.2%)、53/251(21.1%)。
  • 主动学习后模型B峰值平均Dice提升0.5%,模型C提升4.3%;模型C敏感度从0.849升至0.907,PPV从0.825升至0.845,Jaccard相似系数从0.718升至0.777,Modified Hausdorff距离降低12.9%。
  • 分割质量分类模型在T100测试集上准确率82%(82/100),Poor Quality类AUC 0.995,Acceptable Quality类AUC 0.877,Acceptable with Adjustments类AUC 0.810。

临床应用与阅片要点

  • 主动学习流程可用于减少胶质瘤分割模型训练所需的手动标注量,各轮仅约21%–22%的未标注病例需专家手动分割。
  • 对于模型预测Dice高于0.7的病例,可用预测分割替代真实标注加入训练集,无需专家手动分割。
  • 低Dice病例多因肿瘤较小、对比度低导致过度分割,此类病例需专家手动标注或调整。

局限性

  • 本研究聚焦于评估主动学习概念而非开发高性能图像分割模型,因此采用简化的全肿瘤分割而非组织学子区域分割。
  • 主动学习流程中Dice计算需依赖真实标注,真实场景下获取真实标注受限,故开发次级模型预测分割质量。
  • 原文未报告其他局限性。
全文中译9 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Aug 25;14:141. doi: 10.1186/s13244-023-01487-6

引言

随着基于深度学习的方法在解决复杂问题方面的显著增长,这些技术自然而然地被应用于医学图像分析领域。深度学习在医学成像中的应用有助于减少不同专家决策的主观性,同时减少专家在每个病例上所需花费的时间[1]。这些优势有可能在临床诊断、治疗规划和个体患者的随访方面带来重大改进[2]。

虽然深度学习在医学图像分割中非常有用,但它也面临着需要大量手动标注数据作为训练期间真实参考的问题。随着某些任务的分割变得更加复杂、需要更高水平的准确性和更少的错误,这种真实参考数据的需求进一步增长。手动标注真实参考数据可能是一个巨大的负担,需要训练有素的专家付出宝贵的劳动和成本。例如,脑肿瘤(如高级别胶质瘤)的手动分割每次扫描大约需要16分钟[3],因此在约1000个病例的数据集中,仅准备手动分割数据集所需的时间就可能达到数百小时。此外,尽管手动分割被认为是真实参考,但多项研究表明它并不总是准确的,甚至可能包含健康组织,此外还受到观察者间和观察者内变异性的影响[4]。对于某些复杂任务,手动标注足够的数据用于训练可能变得不可行的繁重。因此,减少获取足够真实参考数据以训练深度学习算法负担的方法是非常可取的。

为了解决这个问题,文献中提出了分析方法和基于深度学习的方法[5–9]。使用成熟的增强方法,如改变图像的强度、大小、方向、位置和偏度,在模型训练期间非常常见,并且可以改善模型性能。Robust-deep也是另一种用于脑图像的增强方法,它可以通过以逼真的方式组合来自不同患者的不同图像来增加数据集的规模并增强模型的鲁棒性和性能[10]。使用基于深度学习的增强方法已被证明对模型性能有积极的影响[11],但最终,用这些方法训练的模型的性能是有限的,并且可能导致在新病例中缺乏鲁棒性和可重复性。例如,基于深度学习的模型生成的图像可能与原始图像非常相似。此外,使用任何类型的增强模型训练模型的一个缺点是静态学习过程。通常,模型被假定为经过训练、优化和使用,而学习过程可以保持动态且永不结束。

减少真实标签负担的一种潜在方法是通过实施主动学习技术[12]。虽然在机器学习中,学习器通常是待处理数据的被动接收者,但这种“被动”角色忽略了利用模型向学习器反馈以使学习器处于“主动”角色的可能性[13]。主动学习采用半监督方法,其中学习器进行查询以影响预言者选择哪些数据来更新模型。当数据被正确查询时,它可以大幅减少某些学习问题的数据需求并极大提高效率[14, 15]。在实践中,主动学习方法在需要非常大数据量的任务中最为有益,这通常是由于复杂性以及高成本和劳动力需求。该方法通过首先用较小的数据集训练模型,然后查询未标记数据中哪些样本对模型最有益并将其添加到数据集中,从而减少模型训练所需的真实标签数据量。该方法利用模型的先验知识来确定哪些实例最具信息量,而不是随机选择要添加的实例。本研究采用的方法遵循与主动学习中基于流的选择性采样策略相似的采样策略,即查询未标记样本,如果低于给定阈值,则以半监督方式将其添加到数据集中[16]。在本研究中,该阈值由预测分割的质量(由其Dice评分给出)确定,以展示哪些病例对模型最具挑战性从而可在进一步训练中提供信息。低于阈值的病例(Dice评分较低)表明分割模型在该病例的分割上存在困难,需要进一步训练以学习如何正确分割该病例及类似病例。因此,这些质量较低的病例将为模型提供有益信息,而模型已经表现良好的病例对进一步训练则不那么有用,因为模型对其分割已经具有信心。

主动学习技术已被应用于许多医学相关挑战,包括从脑电图(EEG)中分类睡眠阶段[17]或检测癫痫发作[18]、手术工作流程分析[19]、癌症病理报告分类[20]、从MRI生成合成计算机断层扫描(CT)图像[21]以及全脑分割[22]。虽然将主动学习技术应用于医学深度学习的情况正在增长,但主动学习在医学影像尤其是基于深度学习的分割中的应用非常稀少,仅有少数研究。本研究旨在评估主动学习方法在从MR图像开发基于深度学习的脑胶质瘤分割模型中的应用,因为该方法在此背景下的应用非常稀少,迄今仅有少数研究报道[23, 24]。

材料与方法

数据集与预处理

本研究使用的数据集是2021年RSNA-ASNR-MICCAI脑肿瘤分割(BraTS)挑战赛提供的公开可用训练数据集[2, 25, 26]。该数据集包含1251例来自多机构的多参数MR图像,均经病理确诊为胶质瘤。每个病例均包含增强前T1加权MRI(T1)、Gd对比增强后T1加权MRI(T1c)、非增强T2加权MRI(T2)和非增强T2液体衰减反转恢复MRI(FLAIR),以及真实标签的人工分割结果。胶质瘤被分为三个基于图像的子区域进行分割:Gd增强肿瘤、坏死核心和瘤周水肿/浸润组织。示例图像见补充图1。

为本研究之目的,三个胶质瘤分割标签被合并为描绘整个肿瘤(WT)的单一标签。虽然将肿瘤分割为各种组织学亚区域比全肿瘤分割具有更多临床相关性,但本研究的重点在于评估主动学习概念,而非开发高性能图像分割模型。因此,采用更为简化的全肿瘤分割使重点得以保持在主动学习上。随着分割模型复杂度的降低,分割模型训练所需的时间和精力也更少。

数据集接收后进行了额外的预处理,以为机器学习算法的实施准备数据集。首先,使用全数据集的最大强度投影(MIP)确定裁剪尺寸,将图像从240 × 240 × 155体素裁剪至160 × 216 × 128体素,以去除图像中多余的空白区域。此外,图像使用N4ITK算法进行了偏场校正[27]。随后图像被归一化至0到1之间,以避免任何强度值偏差。归一化使用第98百分位值进行,以减少离群体素的影响并防止强度分布因NVIDIA Quadro K5000 GPU(4 GB GDDR5 RAM,NVIDIA,Santa Clara,USA)的处理能力而出现偏斜。1251例病例被分为由1151例组成的训练集和由100例组成的测试集(以下称为T100)。训练过程中,随机选取全部训练数据的8%作为验证集。

主动学习方案

为评估主动学习在医学图像分割中的可行性,使用了三个模型。第一个模型作为参考的非主动学习模型,在初始模型训练中使用全部数据。第二个模型仅使用一半数据集进行初始模型训练,另一半留作主动学习使用。第三个模型代表严重缩减的数据集,在模型初始训练中仅使用100例,其余留作主动学习。在使用两个缩减规模的数据集完成初始训练后,设置性能阈值,并针对每个病例计算模型在未见过的主动学习病例上的性能。随后将通过阈值的图像集添加到训练数据集中,对于模型预测分割表现良好的病例,以预测分割代替真实标签加入。此步骤后继续模型训练,并将更新后模型的结果与参考模型进行比较。展示主动学习过程的示例示意图见图1。

图1 展示主动学习过程的示例示意图 查看原图 ↗

深度学习模型

对于基线参考模型的网络架构,在NiftyNet开源平台[30]中使用了最先进的高分辨率3D卷积HighRes3DNet [28, 29]网络。HighRes3DNet的设计目的是从脑MRI中分割神经解剖结构,非常适合本研究的任务。该网络利用空洞卷积和残差连接,包含20层卷积[29]。为捕捉低级图像特征,如边缘和角点,前七层包含3×3×3体素卷积。随后的卷积层首先以因子2进行空洞化,然后以因子4进行空洞化,以捕捉中级和高级图像特征[29]。每个卷积层与一个修正线性单元(ReLU)层和一个批归一化层配对,并且每两个卷积层通过残差连接分组。最后的softmax层为图像中的每个体素提供分类评分。HighRes3DNet的架构见补充图2。

主动学习的实现

在所有1151个训练病例上训练的基线模型( later称为“模型A”)训练了64个epoch,用作与通过主动学习技术训练的模型进行比较的参考。参考模型的训练使用上述HighRes3DNet,采用2D输入,批大小为40,初始学习率为0.01。使用了Adam优化器以及衰减为1.0e − 5的Dice损失。该模型将每个受试者的所有三幅图像(T1、T2和FLAIR)联合作为输入,以便为模型提供最大的可用信息,并且不会因给定受试者提供哪个序列而使模型产生偏倚。除了在所有1151个训练病例上训练的参考模型外,还训练了两个额外的基线模型:一个使用一半训练数据集(575例;模型B),另一个仅使用100个训练病例(模型C)。图1的左图显示了每个模型的数据分布。这两个模型使用与参考模型相同的方案和参数进行训练。样本通过随机选择划分为子集。

在开发三个基线模型后,为实施主动学习技术,使用Dice评分来评估模型在哪些病例上表现良好、在哪些病例上表现不佳。对于训练集规模缩减的两个模型,使用Dice评分来确定哪些额外病例将对模型训练有益并需要由专家进行手动分割。对于模型B,选择性能达到平台期后不久的模型迭代继续开展主动学习。使用该模型迭代,对未使用的576个训练病例推断生成的预测分割,并计算这些预测分割的Dice评分。选择该较早迭代而非最终模型迭代,是为了使模型性能的任何变化可归因于训练数据集的调整,而非仅仅是更长的训练时间。随后根据Dice评分将生成的分割二分为两类:高于或低于阈值评分0.7。阈值0.7选自影像验证相关文献,提示Dice评分高于0.7被认为具有良好重叠[31]。对于Dice评分高于0.7的病例,判定模型未在该病例上遇到困难,因此将该病例以预测分割替代真实标签追加至训练数据集。这些病例代表无需手动分割的病例,因为模型已学会如何充分分割这些图像。对于Dice评分低于0.7的病例,判定模型在正确分割图像方面存在困难。这些病例被追加至训练数据集,但使用原始真实标签分割,代表需要手动分割的病例,因为模型在分割预测方面仍存在问题。对这些病例用真实标签替代预测分割的过程等同于专家对该病例进行手动分割/调整。随后使用由575个初始训练病例和576个追加训练病例合并而成的共1151个训练病例的更新数据集继续模型训练。对模型C遵循相同流程,使用200个额外训练病例,构成一轮主动学习。对于模型C,该过程又重复两次,分别使用600个额外训练病例使更新后的规模达到900个训练病例,随后使用251个额外训练病例使规模增至完整数据集1151个训练病例。每一步中主动学习病例的数量见补充表1。

在真实场景中,获取真实分割标签的机会有限,因此对未使用的训练数据计算Dice分数并不可行,而且任何拥有可用真实标签的数据都会被用于分割模型本身的训练。为解决这一问题,开发了一个次级模型,用于在提供MR图像及其预测分割结果时预测分割质量,而无需借助真实分割标签。该模型的输入包括T1c、T2和FLAIR图像,以及分割模型在softmax层之后输出的分割概率图。分割概率图并非以体素的整数值来表示其预测类别为胶质瘤或非胶质瘤,而是取前一步的输出,其中每个体素由0到1之间的值表示,代表该体素属于给定类别的概率,因此提供了额外信息,可反映模型对其预测分割结果的置信度。出于这一原因,使用分割概率图代替预测分割结果。示例输入图像见补充图3。由于该次级模型旨在提示模型执行的哪些分割结果可接受或不可接受,研究人员需要一个阈值来判断分割结果高于或低于可接受质量。为此,使用分类模型,因为它可以将分割结果按既定阈值分类为可接受组和不可接受组。

为评估Dice分数预测器用于主动学习决策时的有效性,将该模型的结果与最初“概念验证”方法的结果进行了比较,后者纳入人工真实分割标签来确定Dice分数。为此,使用了模型C的第二个主动学习步骤,共包含900个训练病例,其中100个初始训练病例和800个主动学习病例。这800个主动学习病例不包括用于训练分类模型的234个病例,以避免数据受到偏倚污染。为与原始Dice分数方法进行比较,计算了这800个主动学习病例其预测分割结果的Dice分数。由于分类模型使用0.8及以上的阈值来表示“可接受质量”的预测分割结果,因此该阈值被用作Dice截断值,低于0.8的病例使用真实标签进行训练,高于0.8的病例使用预测分割结果。使用原始Dice方法进行比较的模型进一步称为模型D,使用Dice分数预测器结果的模型称为模型E。随后,模型D和模型E均按照与模型A、B和C训练相同的流程进行训练。然后计算并比较所得预测分割结果的指标。

“Dice分数预测”和“评估策略”小节见补充材料。

结果

三个基线模型各自“表现最佳”迭代的指标结果总结于表1,由于该指标在本研究中进一步用于阈值设定,因此通过Dice分数选择迭代。正如预期,通过减少训练数据集规模,模型性能下降。

这些迭代的完整指标可见表2。在模型B的未见数据集中,576例中有127例(22.0%)低于0.7 Dice评分阈值,并被替换为真实图像。对于模型C的第一轮主动学习,200例未见病例中有43例(21.5%)低于0.7 Dice评分阈值。在模型C随后的主动学习轮次中,600例未见病例中有133例(22.2%),251例未见病例中有53例(21.1%)分别在第2轮和第3轮主动学习中低于阈值并被真实分割所替换。

图2显示了每个模型Dice评分的训练进展。三个基线模型分别以蓝色方形(模型A)、橙色三角形(模型B)和灰色圆形(模型C)显示。模型A在整个训练过程中始终显示出最高的Dice评分。模型B的Dice评分开始进入平台期所需时间最长;然而,其平台期Dice评分仍高于模型C。模型B的主动学习进展(黄色菱形)显示出比其基线模型更高的峰值Dice评分。模型C也可见相同情况,模型C的每一轮主动学习均显示出改善。基线的峰值Dice评分最低,其次是第一轮主动学习(浅蓝色星号)、第二轮主动学习(绿色竖线),最后是第三轮主动学习(深蓝色x标记),其Dice评分最高。

表3包括参考模型A、模型B和模型C的基线,以及模型B和模型C主动学习后的最终结果。就峰值平均Dice评分而言,模型B和模型C主动学习后的模型均显示出改善,预测分割与真实分割之间的重叠在模型B中平均增加0.5%,在模型C中平均增加4.3%。尽管模型B的改善不那么明显,但模型C从主动学习前到主动学习后的改善更为显著。此外,通过主动学习,模型C的灵敏度从0.849提高到0.907,阳性预测值(PPV)从0.825提高到0.845。由Jaccard相似系数表示的预测分割与真实分割之间的交集也通过主动学习从0.718增加到0.777,而表示预测分割与真实分割两组体素之间距离的修正Hausdorff距离通过主动学习改善了12.9%(即距离减少)。

对于分割预测的定性视觉评估,来自模型C的主动学习前后分割的代表性示例可在图3中看到三种MR序列。在该示例病例中,主动学习前模型预测胶质瘤对侧的大片区域为胶质瘤组织。从视觉上看,错误分割的区域似乎大于真实分割。主动学习后,该错误分割区域已消失,仅分割出真正的胶质瘤。为进行额外的定性评估,图4展示了模型C在主动学习过程后的两个示例病例,分别代表低Dice评分和高Dice评分病例。在高Dice评分病例中,单病例Dice评分为0.96,胶质瘤在MR图像中非常显著,无论是大小还是与背景脑组织的对比度。另一方面,在低Dice评分病例中,单病例Dice评分为0.62,胶质瘤在MR图像中要小得多且不那么显著。模型预测的分割对胶质瘤进行了过度分割,将健康脑组织纳入了分割体积中。

模型对预测分割进行分类的混淆矩阵可在补充图4中看到,类别包括“质量差”(需要医师从头分割图像)、“可接受但需调整”(需要医师检查和编辑分割)以及“质量可接受”(分割不需要医师任何检查或编辑)。在总共100个T100病例中,82个被分类到正确类别,而18个被错误分类,准确率为82%。在“质量差”类别的四个病例中,三个(75%)被正确分类,错误分类的病例被分配到“可接受但需调整”类别。对于“可接受但需调整”类别的11个病例,6个(54.5%)被正确分类,而5个被错误分类到“质量可接受”类别。在“质量可接受”类别的85个病例中,73个(85.9%)被正确分类,而12个被错误分类到“可接受但需调整”类别。在18个错误分类的病例中,13个(72.2%)被错误分类到仍需要专家评估的类别(“质量差”或“可接受但需调整”)。分类模型结果的额外指标可在表4中看到。图5显示了三个预测Dice评分类别的ROC曲线,并列出了AUC分数。“质量差”类别(Dice评分小于0.6)显示出最高的AUC为0.995,其次是“质量可接受”类别(Dice评分大于0.8),AUC为0.877,最后是“可接受但需调整”类别(Dice评分在0.6到0.8之间),AUC为0.810。

在使用0.8 Dice评分阈值的800例Model D主动学习病例中,486例(60.75%)的Dice评分高于0.8,仅需要使用预测分割结果进行进一步的模型训练。在该步骤总共900例训练病例中,Model D使用了414例人工真实分割(46.0%)。对于使用分类模型预测类别的Model E,800例主动学习病例中有512例(64.0%)属于“可接受质量”类别,仅需要使用预测分割结果进行进一步的模型训练。在总共900例训练病例中,仅388例需要人工真实分割(43.11%)。Model D和Model E训练后性能的指标结果见表5。在没有真实数据的情况下使用分类模型的Dice评分,与使用真实数据做出决策的模型相比,Dice评分下降了0.025。遵循这一趋势,Model D的其他指标略好,但幅度不大。Model D和Model E的训练进展图见图6。

表1 各基线模型的指标结果 查看原表 ↗
表2 为主动学习过程选择的各模型迭代版本的指标结果 查看原表 ↗
图2 参考Model A以及Model B和Model C的基线和主动学习模型的训练进展 查看原图 ↗
表3 主动学习前后分割模型的指标结果 查看原表 ↗
图3 Model C中一个代表性病例的T1c、T2和FLAIR图像的真实分割、主动学习前和主动学习后预测分割 查看原图 ↗
图4 Model C中Dice评分低(上)和高(下)的示例病例及其T1c、T2和FLAIR的预测分割和真实分割 查看原图 ↗
表4 分类模型各类别的指标结果 查看原表 ↗
图5 Dice评分预测器预测分割质量的三个类别的ROC曲线 查看原图 ↗
表5 参考Dice评分方法Model D和分类模型方法Model E的指标结果 查看原表 ↗
图6 用于评估分类模型有效性的分割模型的训练进展 查看原图 ↗

讨论

分类模型对预测分割为“质量差”且Dice评分低(< 0.6)的病例高度敏感,这在识别问题病例方面非常有用。此外,尽管有18%的病例被误分类,但其中许多不会对结果产生负面影响。例如,虽然有12例“可接受质量”被误分类为“可接受但需调整”类别,但这种错误分类仅仅意味着专家需要进行轻微调整,而在调整过程中专家会发现分割质量是可接受的。因此,被误分类到较低类别不会对结果产生负面影响。在100例T100病例中,仅有6例被误分类到更高质量的类别,其中1例从“质量差”被误分类为“可接受但需调整”,这仍然需要专家对分割进行视觉评估。此外,没有任何误分类在“质量差”和“可接受质量”之间跳跃,而仅进入“可接受但需调整”。综合考虑这些情况,95%的病例要么被正确分类,要么即使被错误分类,也被分入仍然需要专家对预测分割进行视觉评估并在必要时进行调整的类别。

总体而言,本研究采用的主动学习方法显著减少了模型训练所需的人工分割真实标注数据量。然而,尽管取得了这些结果,该方法仍面临若干局限性。首先,本研究主要关注Dice相似系数用于评估分割质量。这导致对分割质量的决策是一维的,而非将多个指标纳入决策,如灵敏度、阳性预测值、Jaccard相似系数和修正Hausdorff距离。其次,由于Dice相似系数等指标的性质——其将预测分割与真实标注分割进行比较——在真实标注数据尚未存在的“真实世界”场景中需要一个次级模型。这第二步引入了进一步的潜在误差,因此将流程压缩为单一步骤将是理想的选择。最后,图像被重采样为较小分辨率,且初始的3标签分割被合并为单标签分割以降低复杂度。虽然这极大地影响了模型最终预测分割的质量和可用性,但分割结果的总体准确性和强度在本研究中并不重要,重要的是主动学习概念在模型开发中的可行性和益处。尽管存在这些局限性,本研究表明主动学习可以极大地减少为训练分割模型准备真实标注数据的工作量。由于查询技术是主动学习模型成功的关键方面[18, 32],未来研究可以探索替代技术并可能进一步改善结果。虽然本任务中使用的分割模型的准确性尚未达到临床使用标准,但本研究为未来工作提供了基线,以进一步深入探索主动学习在医学图像分割中的应用,或许还可以测试其他主动学习技术。

结论

在本研究中,主动学习概念被应用于基于MR图像的脑胶质瘤深度学习分割,以评估其在减少模型训练所需人工标注真实标注数据量方面的可行性。研究证明,使用这种主动学习方法,超过60%的数据集无需人工分割即可实现对模型的充分训练,这表明将主动学习应用于模型训练可以大幅减少准备真实标注训练数据所花费的时间和人力。此外,还开发了一个次级模型,根据预测分割的质量将其分为三类。分类器的结果表明,除了主动学习概念对于简化医学图像分割任务的模型训练非常有益之外,不需要对未见数据先验知识的方法也是可行的。

补充信息

附加文件1:补充表1.各主动学习模型中使用的训练病例数量汇总。补充图1.一个代表性病例展示(上图)从左至右的代表性图像:T1c、T2、FLAIR和人工真实分割(红色:坏死核心(NCR),蓝色:钆增强肿瘤(ET),绿色:水肿/浸润组织(ED))。下图展示将NCR、ET和ED三个分割标签合并为整个肿瘤(WT)的单一分割标签。补充图2.用于分类预测分割质量的Dice评分预测模型的网络架构。补充图3.Dice评分预测器的示例输入图像,从左至右包括:T1c、T2、FLAIR和预测分割概率图。补充图4.将预测分割分类为“质量差”、“可接受但需调整”和“可接受质量”的混淆矩阵。

引用

  1. Boehringer AS, Sanaat A, Arabi H, et al. An active learning approach to train a deep learning algorithm for tumor segmentation from brain MR images. Insights Imaging. 2023. PMID: 37620554. doi:10.1186/s13244-023-01487-6
  2. 全文:PMC10449747(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10449747/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。