甲状腺的自动细分,在基于多组件小型数据集的设计边界改进的帮助下
Yifei Chen1,2, Xin Zhang1, Dandan Li1
1Control Science and Engineering, Harbin Institute of Technology, Harbin, 150001 China.
Applied intelligence (Dordrecht, Netherlands)
|June 26, 2023
概括
这项研究引入了一种使用混合方法进行甲状腺超声波图像细分的新方法. 它通过将深度学习和传统的机器学习技术相结合,提高了细分精度,特别是在有限的数据中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 医疗图像细分的深度学习方法通常因标记训练数据的稀缺而难以准确.
- 医疗图像的准确细分,如甲状腺超声波,对于诊断和治疗规划至关重要.
研究的目的:
- 开发甲状腺超声波图像的自动细分方法,克服数据限制.
- 通过增强边界注意区域来提高细分结果的准确性.
主要方法:
- 一个多组件的社区极端学习机器 (ELM) 被设计来改进初步的细分结果.
- 在一个小型的多元组件数据集 (超声图像,边缘图像,超像素图像) 上训练U-Nets,以提取邻里特征.
- 最少冗余和最大相关性过器选择了用于训练ELM的特征,生成了补充细分结果.
主要成果:
- 提出的方法成功地提高了甲状腺细分的准确性,特别是在使用小数据集时.
- 将深度学习 (U-Nets) 与传统机器学习 (ELM) 结合起来,证明了协同效应的好处.
结论:
- 混合方法有效地整合了深度学习和传统机器学习,以增强医疗图像细分.
- 这种方法为准确的甲状腺细分提供了可行的解决方案,即使数据采集有限.
