MURA: Großes Datenset zur Erkennung von Anomalien in muskuloskelettalen Röntgenaufnahmen

Wir stellen MURA vor, ein großes Datenset aus muskuloskelettalen Röntgenaufnahmen mit 40.561 Bildern aus 14.863 Studien, wobei jede Studie von Radiologen manuell als normal oder abnormal gekennzeichnet ist. Um Modelle robust zu evaluieren und eine Schätzung der Leistung der Radiologen zu erhalten, sammeln wir zusätzliche Labels von sechs zertifizierten Radiologen der Stanford-Universität für den Testdatensatz, der aus 207 muskuloskelettalen Studien besteht. Auf diesem Testdatensatz dient die Mehrheit der Stimmen einer Gruppe von drei Radiologen als Goldstandard. Wir trainieren ein 169-schichtiges DenseNet-Basismodell zur Erkennung und Lokalisierung von Anomalien. Unser Modell erreicht einen AUROC von 0,929, mit einem Betriebspunkt von 0,815 Sensitivität und 0,887 Spezifität. Wir vergleichen unser Modell und die Radiologen anhand der Cohen's kappa-Statistik, die die Übereinstimmung unseres Modells und jedes Radiologen mit dem Goldstandard ausdrückt. Die Modellleistung ist vergleichbar mit der besten Leistung von Radiologen bei der Erkennung von Anomalien in Studien zu Fingern und Handgelenken. Allerdings ist die Modellleistung geringer als die beste Leistung von Radiologen bei der Erkennung von Anomalien in Studien zu Ellenbogen, Unterarmen, Händen, Humerus und Schultern. Wir glauben, dass diese Aufgabe eine gute Herausforderung für zukünftige Forschungen darstellt. Um Fortschritte zu fördern, haben wir unser Datenset kostenlos zur Verfügung gestellt unter https://stanfordmlgroup.github.io/competitions/mura.