Aprendizaje a Distancia Basado en Red Prototípica con Adaptación Multidominio para Clasificación de Imágenes Médicas...

Área de la Ciencia:

• Imágenes médicas
• Aprendizaje automático
• Ingeniería biomédica

Sus antecedentes:

• La imagen hiperespectral (HSI) ofrece potencial para el diagnóstico médico al analizar firmas espectrales.
• Los desafíos incluyen datos limitados etiquetados para entrenamiento y cambio de dominio entre conjuntos de datos, lo que dificulta la generalización.

Objetivo del estudio:

• Desarrollar una nueva red prototípica basada en aprendizaje a distancia para la clasificación de imágenes médicas hiperespectrales de pocos ejemplos.
• Abordar los problemas de escasez de datos y cambio de dominio en el análisis clínico de HSI.

Principales métodos:

• Se propuso una métrica de Mahalanobis consciente de la covarianza de clase dentro de una red prototípica para adaptar las medidas de similitud.
• Se introdujo un bloque adaptador consciente del dominio para la fusión dinámica de representaciones espectrales-espaciales y características específicas del dominio.
• Se validó en conjuntos de datos HSI médicos de dermatoscopia de piel, colédoco y cerebro in vivo.

Principales resultados:

• El novedoso método demostró una robustez mejorada de los prototipos bajo escasez de etiquetas.
• Redujo significativamente la clasificación errónea en comparación con las redes de pocos ejemplos existentes.
• Logró un rendimiento excelente en tres conjuntos de datos médicos HSI diversos.

Conclusiones:

• El método propuesto supera eficazmente las limitaciones de la escasez de etiquetas y el cambio de dominio en la clasificación de HSI médicas.
• Abre el camino para soluciones HSI generalizables en flujos de trabajo clínicos e investigación biomédica.
• Destaca el potencial del aprendizaje automático avanzado para la detección precisa de enfermedades utilizando HSI.