Adatbővítéssel javítható a gerincszegmentáció CT és MRI felvételeken – állítja az arXiv

A mélytanulású orvosi képfeldolgozás egyre fontosabb a klinikai diagnózisban és az új kezelési stratégiák kidolgozásában, de a modellek teljesítményét jelentősen behatárolja a szűkös, magas minőségű annotált adatok hiánya, valamint az elégtelen általánosíthatóság a különböző képalkotó protokollok között — írja az arXiv-on megjelent kutatás.

Ez a korlát különösen szembetűnő a MRI és CT felvételek esetében, ahol a modelleket tipikusan egyetlen felvételi sorozaton képzik, és jelentősen csökken a robusztusságuk, ha ismeretlen sorozatokra vagy kontrasztokra alkalmazzák őket.

A modalitások közötti átjárhatóság

Bár az adatbővítést széles körben használják az orvosi képeken a modellek általános robusztusságának javítására, a különböző modalitások közötti általánosíthatóságra gyakorolt hatását eddig nem vizsgálták mennyiségileg.

A vizsgálat során három gerincszegmentációs modellt képeztek be, mindegyiket egyetlen modalitású vagy sorozatú adathalmazon. Ezeket a modelleket ezután hét külső, eloszlásból kieső adathalmazon értékelték, amelyek CT és MRI felvételeket egyaránt tartalmaztak.

Célzott adatbővítési stratégiák

A kutatás eredményei szerint a célzott adatbővítési technikák jelentősen javíthatják a modellek általánosíthatóságát különböző képalkotó protokollok között.

Az arXiv:2605.03098v1 azonosítóval ellátott kutatás eredményei 2024. március 15-én válnak hozzáférhetővé.