Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging

要約

はじめに この研究では、最新の You Only Look Once (YOLO V7) オブジェクト検出手法を使用して、医療画像フォーマットで修正された YOLO V7 をトレーニングおよびテストすることにより、医療画像における腎臓の検出を強化する方法を検討します。
方法 研究には、さまざまなサブタイプの腎細胞癌 (RCC) を有する 878 人の患者と、正常な腎臓を有する 206 人の患者が含まれています。
1,084 人の患者の合計 5,657 件の MRI スキャンが取得されました。
1,034 個の腫瘍を有する 326 人の患者が遡及的に維持されたデータベースから集められ、彼らの腫瘍の周囲に境界ボックスが描画されました。
プライマリ モデルはアノテーション付きケースの 80% でトレーニングされ、20% はテスト用に保存されました (プライマリ テスト セット)。
次に、最良の一次モデルを使用して残りの 861 人の患者の腫瘍を特定し、そのモデルを使用してスキャン上で境界ボックス座標を生成しました。
セグメント化されていない患者について生成された座標を使用して、10 個のベンチマーク トレーニング セットが作成されました。
主要なテストセットで腎臓を予測するために使用される最終モデル。
陽性的中率 (PPV)、感度、平均精度 (mAP) を報告しました。
結果 主要トレーニングセットは、平均 PPV 0.94 +/- 0.01、感度 0.87 +/- 0.04、mAP 0.91 +/- 0.02 を示しました。
最良の一次モデルでは、PPV 0.97、感度 0.92、mAP 0.95 が得られました。
最終モデルは、平均 PPV 0.95 +/- 0.03、感度 0.98 +/- 0.004、mAP 0.95 +/- 0.01 を示しました。
結論 医療画像ライブラリを使用した半教師ありアプローチを使用して、腎臓検出用の高性能モデルを開発しました。
モデルの一般化可能性を評価するには、さらなる外部検証が必要です。

要約(オリジナル)

Introduction This study explores the use of the latest You Only Look Once (YOLO V7) object detection method to enhance kidney detection in medical imaging by training and testing a modified YOLO V7 on medical image formats. Methods Study includes 878 patients with various subtypes of renal cell carcinoma (RCC) and 206 patients with normal kidneys. A total of 5657 MRI scans for 1084 patients were retrieved. 326 patients with 1034 tumors recruited from a retrospective maintained database, and bounding boxes were drawn around their tumors. A primary model was trained on 80% of annotated cases, with 20% saved for testing (primary test set). The best primary model was then used to identify tumors in the remaining 861 patients and bounding box coordinates were generated on their scans using the model. Ten benchmark training sets were created with generated coordinates on not-segmented patients. The final model used to predict the kidney in the primary test set. We reported the positive predictive value (PPV), sensitivity, and mean average precision (mAP). Results The primary training set showed an average PPV of 0.94 +/- 0.01, sensitivity of 0.87 +/- 0.04, and mAP of 0.91 +/- 0.02. The best primary model yielded a PPV of 0.97, sensitivity of 0.92, and mAP of 0.95. The final model demonstrated an average PPV of 0.95 +/- 0.03, sensitivity of 0.98 +/- 0.004, and mAP of 0.95 +/- 0.01. Conclusion Using a semi-supervised approach with a medical image library, we developed a high-performing model for kidney detection. Further external validation is required to assess the model’s generalizability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google