Radimagenet：効果的な転送学習のためのオープン放射線学的な深い学習研究データセット

目的：転送学習を使用する際の下流の医療アプリケーションでのImagENet写真画像と比較して、数百万の放射線画像で事前トレーニングの価値を実証する。 材料と方法：このレトロスペクティブ研究には、2005年から2020年の間に外来患者のイメージング施設で放射線学的研究を受けた患者が含まれていました。研究の主要な画像と関連するラベルは、元の研究解釈から遡及的に抽出されました。これらの画像は、ランダムな重量開始によるラジマゲネットモデルトレーニングに使用されました。ラジマゲネットモデルは、8つの分類タスクのレシーバー動作特性曲線（AUC）の下の領域を使用し、2つのセグメンテーション問題に対してサイコロスコアを使用して、ImagENetモデルと比較されました。 結果：ラジマゲネットデータベースは、筋骨格、神経学的、腫瘍学的、胃腸、内分泌、腹部、および肺の病理学的条件について、CT、MRI、および米国を受けた131人の872人の患者における135万人の注釈付き医療画像で構成されています。小さなデータセット - 甲状腺腫腫瘤（米国）、乳房腫瘤（米国）、前十字靭帯損傷（MRI）、および半月板裂傷（MRI）の転送学習タスクの場合、ラジマゲネットモデルは、イメージネットに対する有意な利点（p <.001）を示しました。モデル（それぞれ9.4％、4.0％、4.8％、および4.5％AUCの改善）。大規模なデータセット肺炎（胸部X線撮影）、Covid-19（CT）、SARS-COV-2（CT）、および頭蓋内出血（CT）の場合、ラジマゲネットモデルはまた、AUC（P <.001）の改善されたAUC（P <.001）を示しました。それぞれ6.1％、1.7％、および0.9％。さらに、ラジマゲネットモデルの病変局在は、甲状腺と乳房の米国データセットでそれぞれ64.6％および16.4％改善されました。 結論：Radimagenet事前に処理されたモデルは、特により小さな放射線データセットの場合、イメージネットモデルと比較してより良い解釈可能性を実証しました。）この記事では、補足資料が利用できます。4.0ライセンスでCCの下で公開されました。また、この号でCadrin-Chênevertによる解説を参照してください。

PURPOSE: To demonstrate the value of pretraining with millions of radiologic images compared with ImageNet photographic images on downstream medical applications when using transfer learning. MATERIALS AND METHODS: This retrospective study included patients who underwent a radiologic study between 2005 and 2020 at an outpatient imaging facility. Key images and associated labels from the studies were retrospectively extracted from the original study interpretation. These images were used for RadImageNet model training with random weight initiation. The RadImageNet models were compared with ImageNet models using the area under the receiver operating characteristic curve (AUC) for eight classification tasks and using Dice scores for two segmentation problems. RESULTS: The RadImageNet database consists of 1.35 million annotated medical images in 131 872 patients who underwent CT, MRI, and US for musculoskeletal, neurologic, oncologic, gastrointestinal, endocrine, abdominal, and pulmonary pathologic conditions. For transfer learning tasks on small datasets-thyroid nodules (US), breast masses (US), anterior cruciate ligament injuries (MRI), and meniscal tears (MRI)-the RadImageNet models demonstrated a significant advantage (P < .001) to ImageNet models (9.4%, 4.0%, 4.8%, and 4.5% AUC improvements, respectively). For larger datasets-pneumonia (chest radiography), COVID-19 (CT), SARS-CoV-2 (CT), and intracranial hemorrhage (CT)-the RadImageNet models also illustrated improved AUC (P < .001) by 1.9%, 6.1%, 1.7%, and 0.9%, respectively. Additionally, lesion localizations of the RadImageNet models were improved by 64.6% and 16.4% on thyroid and breast US datasets, respectively. CONCLUSION: RadImageNet pretrained models demonstrated better interpretability compared with ImageNet models, especially for smaller radiologic datasets.Keywords: CT, MR Imaging, US, Head/Neck, Thorax, Brain/Brain Stem, Evidence-based Medicine, Computer Applications-General (Informatics) Supplemental material is available for this article. Published under a CC BY 4.0 license.See also the commentary by Cadrin-Chênevert in this issue.