Das SPIE-Journal kündigt den Zugang der Öffentlichkeit zu den größten Multi-Läsion-Bilddatensätzen an

Das SPIE-Journal kündigt den Zugang der Öffentlichkeit zu den größten Multi-Läsion-Bilddatensätzen an

Chris Wallace interviews Russian President Vladimir Putin (Kann 2019).

Anonim

Ein heute im Journal of Medical Imaging veröffentlichter Artikel - "DeepLesion: Automatisches Mining von großflächigen Annotationen von Läsionen und universelle Läsionserkennung mit Deep Learning" - kündigte die Verfügbarkeit der größten öffentlich zugänglichen CT-Läsionsbilddatenbank an sind die Grundlagen für die Trainingssätze der maschinellen Lernalgorithmen, für die bisher noch keine umfangreichen annotierten radiologischen Bilddatensätze verfügbar waren, die für die Entwicklung von Deep-Learning-Ansätzen wesentlich sind.

DeepLesion, entwickelt von einem Team des National Institutes of Health Clinical Centers, wurde entwickelt, indem historische medizinische Daten aus ihrem eigenen Bildarchivierungs- und Kommunikationssystem extrahiert wurden. Dieser neue Datensatz hat ein enormes Potenzial, um den Bereich der computergestützten Erkennung (CADe) und Diagnose (CADx) zu starten.

Die Datenbank enthält mehrere Läsionstypen, einschließlich Nierenläsionen, Knochenläsionen, Lungenknoten und vergrößerte Lymphknoten. Das Fehlen eines Läsionsdatensatzes mit mehreren Kategorien war bisher ein Haupthindernis für die Entwicklung universeller CADe-Frameworks, die mehrere Läsionstypen erkennen können. Ein Läsionsdatensatz mit mehreren Kategorien könnte sogar die Entwicklung von CADx-Systemen ermöglichen, die die radiologische Diagnose automatisieren.

Die Datenbank wird unter Verwendung der Anmerkungen - Lesezeichen - von klinisch bedeutsamen Befunden in medizinischen Bildern aus dem Bildarchiv erstellt. Nach der Analyse der Merkmale dieser Lesezeichen, die verschiedene Formen annehmen, einschließlich Pfeile, Linien, Ellipsen, Segmentierung und Text, hat das Team diese Lesezeichen geerntet und sortiert, um die DeepLesion-Datenbank zu erstellen.

Während der Bereich der Computer Vision Zugriff auf den robusten ImageNet3-Datensatz hat, der Millionen von Bildern enthält, hat das Feld der medizinischen Bildgebung keinen Zugriff auf die gleiche Datenmenge. Die meisten öffentlich verfügbaren medizinischen Bilddatensätze enthalten nur zehn oder Hunderte von Fällen. Mit mehr als 32.000 annotierten Läsionen aus über 10.000 Fallstudien ist der DeepLesion-Datensatz nun der größte öffentlich verfügbare medizinische Bilddatensatz.

"Wir hoffen, dass der Datensatz dem Bereich der medizinischen Bildgebung zugute kommt, genau wie ImageNet dem Bereich der Computervision zugute kam", sagt Ke Yan, Leitautor der Studie und Postdoktorand im Labor des leitenden Autors Ronald Summers, MD, Ph.D.

Neben dem Aufbau der Datenbank entwickelte das Team auch einen universellen Läsionsdetektor basierend auf der Datenbank. Die Forscher stellen fest, dass die Erkennung von Läsionen eine zeitaufwendige Aufgabe für Radiologen ist, aber ein wichtiger Teil der Diagnose. Dieser Detektor könnte in der Zukunft als ein anfängliches Screening-Werkzeug für Radiologen oder andere spezialisierte CADe-Systeme dienen.

Zusätzlich zur Läsionserkennung kann die DeepLesion-Datenbank auch verwendet werden, um Läsionen zu klassifizieren, Läsionen basierend auf Abfragestrings abzurufen oder Läsionswachstum in neuen Fällen basierend auf vorhandenen Mustern in der Datenbank vorherzusagen. Die Datenbank kann unter //nihcc.box.com/v/DeepLesion heruntergeladen werden.

Zukünftige Arbeiten umfassen die Erweiterung der Datenbank auf andere Bildmodalitäten wie MR, einschließlich Daten aus mehreren Krankenhäusern, und die Verbesserung der Erkennungsgenauigkeit des Detektoralgorithmus.