1. 创新与工作主要内容
创新点总结
本文介绍了MedYOLO,这是一款专为医学成像设计的三维目标检测框架。MedYOLO基于YOLOv5模型,采用一次性检测方法,能够对器官、病变等医学图像中的结构进行高效识别。该框架的创新之处在于它能够处理不需要体素级精度的任务,同时减少了对专家标注的依赖,降低了训练成本。MedYOLO还具有与NIfTI成像的原生兼容性,使其在处理CT和MR扫描时更为精准。
摘要部分翻译
摘要 —— 医学影像中器官、病变及其他结构的人工智能增强识别通常使用卷积神经网络(CNN)进行体素精确分割。然而,训练这些CNN所需的标签生成耗时且需要专家关注以确保质量。对于不需要体素级精度的任务,目标检测模型提供了一种可行的替代方案,可以减少注释工作量。尽管有这种潜在应用,但目前针对三维医学成像的通用目标检测框架选择有限。我们报告了MedYOLO,一个使用YOLO系列模型的一次性检测方法设计的三维目标检测框架,适用于医学成像。我们在四种不同的数据集上测试了这个模型:BRaTS、LIDC、腹部器官计算机断层扫描(CT)数据集和ECG门控心脏CT数据集。我们发现,即使没有超参数调整,我们的模型在通常出现的中等和大型结构(如心脏、肝脏和胰腺)上也表现出高性能。然而,模型在非常小或很少出现的结构上存在挑战。
2. 实验数据
实验数据集
- BRaTS 2021 Task 1数据集:使用全肿瘤分割掩模生成边界框,包含1000个训练扫描和251个验证。
- LIDC肺结节数据集:包含689个训练扫描和173个验证,使用两套不同的标签测试模型对非常小的物体和扩散结构的检测。
- 腹部器官分割数据集:包含60个训练扫描和15个验证,用于生成包括多个器官的边界框,并采用额外的预处理步骤生成旋转训练样本。
- ECG门控心脏CT数据集:包含648个训练扫描和163个验证,由Mayo Clinic策划并注释,尝试预测心脏和胸主动脉的边界框。
评价指标
- 使用了修改版的YOLOv5复合损失函数,适应于3D体积,包括边界框损失组件、目标性组件和分类损失。
- 报告了在不同数据集上MedYOLO和nnDetection框架的最佳验证指标,包括在IoU 0.5时的平均精度(mAP)。
效果的提升
- MedYOLO在大尺寸、常见结构上表现出色,通常超过了nnDetection的性能。
- 对于LIDC数据集,MedYOLO在检测非常小的结构上存在挑战,这可能归因于MedYOLO的CNN最终特征图的粗糙限制了模型检测非常小结构的能力。
3. 信息补充
- 代码:MedYOLO的代码可在GitHub上找到,链接为:GitHub - JDSobek/MedYOLO: A 3D bounding box detection model for medical data.28。
- 数据集:BRaTS和LIDC数据可从TCIA获取。为了保护患者隐私,腹部和心脏数据集不共享。
- 文章链接:文章的记录版本发表在《Journal of Imaging Informatics in Medicine》上,DOI链接为:MedYOLO: A Medical Image Object Detection Framework | Journal of Imaging Informatics in Medicine28。
相关图片: