自动化的大脑核磁共振图像标签流程100000考试在30分钟内
生物医学工程与成像科学学院的研究人员在伦敦国王学院自动化脑核磁共振图像标签,需要教机器学习图像识别模型,通过推导重要标签从放射学报告并准确地分配到相应的MRI检查。现在,超过100,00 MRI检查可以标记在不到半个小时。
发表在欧洲放射学,这是第一个允许研究人员将复杂的核磁共振图像数据集的规模。
研究人员说,它需要数年才能手动执行超过100000核磁共振检查的标签。
深度学习通常需要成千上万的标记图像实现图像识别任务的最好的性能。这代表了一个瓶颈深度学习系统的开发对于复杂的图像数据集,尤其是MRI是神经系统异常检测的基础。
资深作者,博士汤姆布斯学院的生物医学工程和成像科学伦敦国王学院表示:“通过克服这一瓶颈,我们有大量的促进未来的深度学习图像识别任务,这几乎肯定会加速到来的诊所自动脑MRI读者。潜在的病人受益,最终,及时诊断,是巨大的。”
布斯博士说他们的验证是独特的健壮。而不是评估他们的模型在看不见的放射学表现报告,他们也看不见的图像的评估他们的模型性能。
“虽然这可能看起来很明显,这是在挑战医学成像因为它需要一个巨大的放射科医生专家小组进行调查。幸运的是,我们的团队是一个完美的综合临床医生和科学家,”布斯博士说。
主要作者大卫·木生物医学工程学院的博士和成像科学说,“这项研究建立在最近的突破自然语言比起处理,特别是大型的发布的基于变压器模型如伯特和BioBERT训练等巨大的标记文本集合的所有英文维基百科,以及所有PubMed中央摘要和全文;在开放获取科学的精神,我们也有我们的代码和模型可用于其他研究人员,以确保尽可能多的人受益于这项工作。”
作者说,虽然一个障碍已经被克服,进一步的挑战,首先,执行深度学习也有多个图像识别任务技术挑战;其次,一旦实现,确保开发模型仍能准确执行在不同的医院使用不同的扫描仪。
布斯博士说,“这项研究是可能由于一个非常广泛的专家正在研究这些挑战。有一个巨大的支持基础组织者和主持人在交付这项研究同样重要。获得干净的数据来自多个医院在英国是一个重要的步骤来克服下一个挑战。我们正在运行一个NIHR组合采用研究在英国前瞻性收集大脑核磁共振数据。”
