从异质和部分标记图像数据集的深度子宫模型开发
Anabik Pal1,2, Zhiyun Xue2, Sameer Antani2
1SRM University, Amaravati, Guntur District, Andhra Pradesh, India, 522502.
Frontiers of ICT in Healthcare : proceedings of EAIT 2022. International Conference on Emerging Applications of Information Technology (7th : 2022 : Kolkata, India ; Online)
|July 3, 2023
概括
这项研究开发了一种使用自主监督学习 (SSL) 和联合自主监督学习 (FSSL) 的自动化宫图像分类系统,以改善癌前检测,优于标准模型.
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:
- 宫癌是全球女性的主要健康问题.
- 早期发现子宫癌前期癌症至关重要,但由于专家稀缺和解释变化而受到限制.
- 需要自动化宫图像分类系统来协助专家.
研究的目的:
- 使用异质和部分标记的宫图像数据集开发一个强大的预训练子宫模型.
- 探索自主监督学习 (SSL) 和联合自主监督学习 (FSSL) 的应用,用于宫图像分析.
- 通过自动化系统提高宫癌前期检测的准确性和可靠性.
主要方法:
- 利用自主监督学习 (SSL) 在部分标记的宫图像数据集上预训练宫模型.
- 实施联合自主监督学习 (FSSL) 来训练模型而不需要直接共享数据,解决隐私问题.
- 微调了预训练的宫模型,以便在两个不同的数据集上进行任务特定的分类,并根据不同的标签标准进行分类.
主要成果:
- 与ImageNet预训练模型相比,数据集特定的SSL预训练子宫模型在分类准确度上表现出2.5%的增加.
- 将两个数据集的图像用于SSL的结合,进一步提高了分类准确率1.5%.
- 与数据集特定的SSL模型相比,联合自主监督学习 (FSSL) 显示出更高的性能.
结论:
- SSL和FSSL是从异质的,部分标记的数据集开发高性能子宫模型的有效方法.
- 在尊重数据隐私和共享限制的同时,FSSL为协作模型开发提供了可行的解决方案.
- 开发的自动化系统有可能增加宫癌前查和诊断方面的专家能力.
