Настоящая ручная сегментация органов (желтый) в сравнении с прогнозами DynUNet-TL (зеленый) и TotalSegmentator (красный). Для всех четырех пациентов окончательное изображение представляет собой репрезентативный аксиальный КТ-срез с сегментациями. (А) Сегментация нормальной селезенки у 5-летней девочки из LS-педиатрического набора тестов. Производительность DynUNet-TL была лучше, чем у TS (DSC: 0,94 против 0,73; VS: -0,02 против 0,38). (Б) Сегментация нормальной поджелудочной железы у 11-летней девочки из P-педиатрического набора тестов. Производительность DynUNet-TL и TS была одинаковой (DSC: 0,80 против 0,72; VS: -0,13 против -0,05). (C) Сегментация нормальной печени у 6-летней девочки из LS-педиатрического набора тестов. Производительность DynUNet-TL и TS была одинаковой (DSC: 0,96 против 0,93; VS: 0,02 против 0,05). (D) Сегментация аномальной печени 15-летнего мальчика из набора педиатрических тестов Total Cancer Imaging Archive. У пациента была большая опухоль печени. Производительность DynUNet-TL была хуже, чем у TS (DSC: 0,59 против 0,80; VS: 0,80 против 0,38). DSC: коэффициент сходства кубиков, VS: сходство по объему.
По данным American Journal, модели трансферного обучения (TL), обученные на гетерогенных общедоступных наборах данных и точно настроенные с использованием институциональных педиатрических данных, превзошли модели внутреннего нативного обучения (NT) и TotalSegmentator (TS) по данным внутренних и внешних педиатрических тестов . рентгенологии (AJR) .
«Наиболее эффективная модель сегментации органов, основанная на внутренней и внешней проверке, теперь доступна в виде приложения с открытым исходным кодом для дальнейших исследований и потенциального клинического применения», — отметил первый автор Эланчежиан Сомасундарам , доктор философии из отделения радиологии Детской больницы Цинциннати. Медицинский центр .
В своей рукописи, принятой AJR , Сомасундарам и др. разработали и утвердили модели глубокого обучения для сегментации печени, селезенки и поджелудочной железы с использованием 1731 КТ- исследований (1504 обучения; 221 тестирования), полученных на основе трех внутренних институциональных педиатрических наборов данных (возраст ≤ 18 лет) (n = 483) и трех общедоступных наборов данных, включающих педиатрические и осмотры взрослых с различной патологией (n = 1248). Три архитектуры моделей глубокого обучения (SegResNet, DynUNet, SwinUNETR) из структуры Medical Open Network for AI (MONAI) прошли обучение с использованием NT, полагаясь исключительно на институциональные наборы данных, и TL, включающего предварительное обучение на общедоступных наборах данных. Для сравнения для проверки данных без дальнейшего обучения применялась общедоступная модель сегментации TS.
В конечном итоге оптимальная модель авторов AJR превзошла модели, обученные с использованием только внутренних педиатрических данных, а также общедоступной модели. Признавая, что производительность сегментации была лучше в печени и селезенке, чем в поджелудочной железе, «выбранная модель может быть использована для различных объемных применений в педиатрической визуализации», Сомасундарам и соавт. заключил.
Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.