医疗图像细分中的跨维转移学习与深度学习

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 卷积神经网络 (CNN) 在自然图像分析方面表现出色,但由于有限的注释数据和采集约束,在医学成像方面面临挑战.
• 医学成像数据通常涉及高维度,对现有的2D细分模型构成挑战.
• 医疗图像细分的最先进性能受到数据稀缺和内在成像复杂性的阻碍.

研究的目的:

• 开发一种有效的方法,将知识从二维自然图像分类网络转移到二维和三维医疗图像细分任务.
• 引入新型网络架构,利用预训练的2D编码器,并促进维度扩展以实现增强的细分.
• 在各种医学成像数据集和基准挑战上验证拟议的方法.

主要方法:

• 设计了新的U-Net架构,其中包含一个用于重量转移的2D预训练编码器.
• 开发了一种维度转移方法,以将二维细分网络扩展到更高的维度.
• 在多模式数据集上测试网络,包括来自CAMUS,CHAOS和BraTS等挑战的MRI,CT和超声波图像.

主要成果:

• 在CAMUS挑战中获得了对心声回声数据细分的最新结果.
• 在腹部CT和MRI细分的CHAOS挑战中表现优于其他基于2D的方法.
• 在使用3D网络进行脑瘤细分的BRATS 2022竞赛中获得了高的子分数.

结论:

• 拟议的重量和维度转移方法有效地适应2D CNNs,用于准确的多维医学图像细分.
• 该方法在各种医学成像模式和任务中显示出细分精度的显著改进.
• 这项工作提供了一个有希望的解决方案,以克服医疗图像分析中的数据限制,提高诊断能力.