通过将机器学习算法应用于“大数据”,可以在manydomains中看到图像处理能力的快速发展。然而,在医学图像分析领域,由于大规模,注释良好的数据集的可用性有限,部分进展受到限制。造成这种情况的主要原因之一是与生产大量高质量元数据相关的高成本。最近,人们越来越关注为此目的应用众包;这种技术已经被证明可以有效地创建从计算机视觉到物理学的各个学科的大规模数据集。尽管这种方法越来越受欢迎,但还没有全面的文献综述为研究人员提供指导,以考虑在他们自己的医学成像分析中使用众包方法。在本次调查中,我们回顾了将众包应用于2018年7月之前发布的医学图像分析的研究。我们确定了常见的方法,挑战和考虑因素,为采用这种方法的研究人员提供了实用指南。最后,我们将讨论这一新兴领域的未来发展机遇。
translated by 谷歌翻译
准确评估肺气肿对于评估疾病严重程度和亚型,监测疾病进展和预测肺癌风险至关重要。然而,视觉评估是耗时的并且受到实质性的比较变化的影响,并且标准密度测定方法来量化血管仍然不如视觉评分。我们探索从机器评估CT扫描的大型数据集中学习的机器学习方法是否可以提供对肺气肿程度的准确估计。我们进一步研究了从肺气肿程度得分中学习的ifmachine学习算法是否能够优于仅从肺气肿存在评分中学习的算法。我们比较了四个多实例学习分类器,这些分类器训练了一个同时存在的标签,以及五个学习标签比例分类器,这些分类器是在肺气肿范围标签上训练的。我们评估了来自丹麦肺癌筛查试验的600低剂量CT扫描的性能,并发现从肺气肿存在标签中学习,这更容易获得,从肺气肿程度标签的学习中获得了相当好的表现。最佳分类器实现了大约0.90的类内相关系数和平均总体一致性,其中六个肺气肿程度类别的评估者为78%和79%,而评估者间的一致性为83%。
translated by 谷歌翻译
使用卷积神经网络(CNN)的监督特征学习可以提供医学图像的简明和疾病相关表示。然而,训练CNN需要带注释的图像数据。注释医学图像可能是一项耗时的任务,甚至专家注释也会受到实质内部和内部评估者的影响。评估图像的视觉相似性而不是指示特定病理或估计疾病严重程度可以允许非专家参与,帮助发现新模式,并且可能地减少评估者变异性。我们考虑评估胸部CT扫描中肺气肿的任务。我们从视觉上评估的肺气肿程度导出视觉相似性三联体,并使用CNN学习低维嵌入。我们在973个图像上评估网络,并显示CNN可以从派生的相似性三元组中学习疾病相关的特征表示。据我们所知,这是第一个医学图像应用程序,其中使用相似三元组来学习可用于嵌入测试图像的特征表示
translated by 谷歌翻译