使用元学习进行白细胞图像分类的自动基准模型选择
Eduardo Rivas-Posada1, Mario I Chacon-Murguia1
1Tecnologico Nacional de Mexico / I T Chihuahua, Visual Perception Lab, Ave. Tecnologico #2909, Chihuahua, 31310, Mexico.
Computers in biology and medicine
|July 2, 2023
概括
这项研究引入了一种用于自动选择深度学习模型的新方法,用于白细胞 (WBC) 图像分类. 这种方法提高了诊断准确性,即使在具有挑战性的医疗数据集.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的机器学习
- 计算病理学计算病理学
背景情况:
- 深度学习模型对于医学图像分类至关重要,包括白细胞 (WBC) 分析用于诊断白血病等病理.
- 医疗数据集往往会带来诸如不平衡,不一致和高收集成本等挑战,阻碍了最佳模型选择.
- 现有的方法很难有效地选择合适的深度学习模型,用于使用不同的方法获取的各种WBC图像数据集.
研究的目的:
- 为白细胞分类任务自动选择深度学习模型提出一种新的方法.
- 为应对不平衡,不一致和多样化的医学成像数据所带来的挑战.
- 提高临床环境中WBC分类的性能和可靠性.
主要方法:
- 一种两级学习方法,结合了元级和基础级的学习.
- 超级学习利用超级模型和先前模型通过灰色色调恒定的超级任务获得超级知识.
- 一个使用元知识和中心内核对齐进行模型选择的算法,其次是学习率查找器适应和集体学习.
主要成果:
- 在Raabin数据集上实现了高精度 (98.29%) 和平衡精度 (97.69%).
- 在BCCD数据集上达到完美的准确性 (100%).
- 在UACH数据集上获得了卓越的准确性 (99.57%) 和均衡的准确性 (99.51%),超过了最先进的模型.
结论:
- 提出的方法有效地自动化了为WBC分类任务选择最佳深度学习模型的选择.
- 该方法在多个数据集中展示了与现有的最先进模型相比更高的性能.
- 该方法显示了扩展到其他医疗图像分类任务的潜力,这些任务面临数据限制和可变性.
