13:00 
Исследователи из столичного университета Осаки нашли практический способ обнаружения и исправления распространенных ошибок маркировки в больших коллекциях радиографических изображений. Благодаря автоматической проверке тегов частей тела, проекций и вращений их исследования улучшают модели глубокого обучения, используемые для повседневных клинических задач и исследовательских проектов.
Модели глубокого обучения с использованием рентгенографии грудной клетки добились значительного прогресса за последние годы, развиваясь для решения сложных для человека задач, таких как оценка функции сердца и дыхания.
Однако ИИ хороши лишь настолько, насколько хороши входные в них изображения. Хотя рентгеновские снимки, сделанные в больницах, перед передачей в модель глубокого обучения помечаются такой информацией, как место и метод получения изображения, в основном это делается вручную, что означает, что возникают ошибки, недостающие данные и несоответствия, особенно в загруженных больницах.
Это еще больше усложняется изображениями с различным вращением. Рентгенограмма может быть сделана спереди назад или наоборот, а также может быть латеральной, перевернутой или повернутой, что еще больше усложняет набор данных.
В больших архивах изображений эти незначительные ошибки быстро приводят к сотням или тысячам неправильно маркированных результатов.
Исследовательская группа Высшей медицинской школы столичного университета Осаки, в которую входят аспирант Ясухито Мицуяма и профессор Дайдзю Уэда, направлена на улучшение обнаружения неправильно маркированных данных путем автоматического выявления ошибок до того, как они повлияют на входные данные для моделей глубокого обучения.
Группа разработала две модели: Xp-Bodypart-Checker, которая классифицирует рентгенограммы в зависимости от части тела; и CXp-Projection-Rotation-Checker, который определяет проекцию и вращение рентгенограмм грудной клетки.
Xp-Bodypart-Checker достиг точности 98,5 %, а CXp-Projection-Rotation-Checker получил точность 98,5 % для проекции и 99,3 % для вращения. Исследователи надеются, что интеграция обеих моделей в единую модель изменит правила игры в клинических условиях.
Хотя результаты были выдающимися, команда надеется на дальнейшую настройку метода для клинического использования.
Мы планируем переобучить модель на рентгенограммах, которые были помечены, несмотря на то, что они были правильно маркированы, а также на тех, которые не были помечены, но фактически были маркированы неправильно, чтобы добиться еще большей точности».
Ясухито Мицуяма, Метрополитен-университет Осаки
Исследование было опубликовано в журнале European Radiology.
