Few-shot OCT 画像分類のためのメタラーニングとラベルのないクエリの更新と一貫性学習

科学分野:

• 眼科について
• 医療用イメージング
• 人工知能

背景:

• ディープニューラルネットワーク (DNN) は,光学コヘランストモグラフィ (OCT) を使用して一般的な網膜疾患を診断するために不可欠です.
• 稀有な網膜疾患をDNNで診断することは,十分な訓練データがないため困難です.
• メタラーニングベースのショットラーニングは,データ不足のシナリオの解決策を提供します.

研究 の 目的:

• OCTの画像分類のための新しいアルゴリズムを開発する.
• 限られたOCTデータで稀な疾患を診断するという課題に取り組むこと.
• 珍しい病気の診断のためのディープラーニングモデルの汎用性を向上させる.

主な方法:

• メタラーニングアルゴリズムは,事前に訓練されたモデルをタスクの汎用化のために微調整します.
• クエリデータに関する無監督学習はメタラーニングに統合されます.
• クロスセット一貫性学習は,サポートデータとクエリデータ間の不一致を最小限にします.
• データミックスアップはデータの多様性を高めるために仮想サンプルを生成します.

主要な成果:

• 提案された方法は,OCTのデータセットで既存の少量学習技術よりも高い分類精度を達成しました.
• ヒストロジカル画像データセットでの実験は,優越した性能を示し,一般化を確認しました.
• アルゴリズムは限られたデータを効果的に利用し,隠された情報を明らかにします.

結論:

• 開発された戦略は,限られたデータの有用性を最大化することによって,モデルのパフォーマンスを向上させます.
• この新しいアプローチは 希少疾患の診断における ディープラーニングモデルの訓練に 重要な価値を示しています
• この方法は,これまで見たことのないタスクにモデルの汎用性を改善します.