MedYOLO: A Medical Image Object Detection Framework

要約

医用画像処理における臓器、病変、その他の構造の人工知能によって強化された識別は、通常、関心領域のボクセル精度のセグメンテーションを行うように設計された畳み込みニューラル ネットワーク (CNN) を使用して行われます。
ただし、これらの CNN のトレーニングに必要なラベルの生成には時間がかかり、品質を確保するために対象分野の専門家の注意が必要です。
ボクセルレベルの精度が必要ないタスクの場合、オブジェクト検出モデルは、アノテーションの労力を軽減できる実行可能な代替手段を提供します。
この潜在的な用途にもかかわらず、3D 医療画像処理に利用できる汎用物体検出フレームワークのオプションはほとんどありません。
我々は、YOLO ファミリのモデルのワンショット検出方法を使用し、医療画像で使用するために設計された 3D オブジェクト検出フレームワークである MedYOLO について報告します。
このモデルを 4 つの異なるデータセット、BRaTS、LIDC、腹部臓器のコンピュータ断層撮影 (CT) データセット、および ECG 同期心臓 CT データセットでテストしました。
私たちのモデルは、ハイパーパラメーター調整なしでも、心臓、肝臓、膵臓などの一般的に存在する中型および大型の構造で高いパフォーマンスを達成していることがわかりました。
ただし、モデルは非常に小さい構造やめったに存在しない構造に苦戦します。

要約(オリジナル)

Artificial intelligence-enhanced identification of organs, lesions, and other structures in medical imaging is typically done using convolutional neural networks (CNNs) designed to make voxel-accurate segmentations of the region of interest. However, the labels required to train these CNNs are time-consuming to generate and require attention from subject matter experts to ensure quality. For tasks where voxel-level precision is not required, object detection models offer a viable alternative that can reduce annotation effort. Despite this potential application, there are few options for general purpose object detection frameworks available for 3-D medical imaging. We report on MedYOLO, a 3-D object detection framework using the one-shot detection method of the YOLO family of models and designed for use with medical imaging. We tested this model on four different datasets: BRaTS, LIDC, an abdominal organ Computed Tomography (CT) dataset, and an ECG-gated heart CT dataset. We found our models achieve high performance on commonly present medium and large-sized structures such as the heart, liver, and pancreas even without hyperparameter tuning. However, the models struggle with very small or rarely present structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google