对罕见 fundus 疾病的诊断有共同规范性的歧视性整体元学习
Mengdi Gao1, Hongyang Jiang2, Lei Zhu1
1Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing 100191, China; Department of Biomedical Engineering, College of Future Technology, Peking University, Beijing 100871, China; National Biomedical Imaging Center, Peking University, Beijing 100871, China; Institute of Biomedical Engineering, Peking University Shenzhen Graduate School, Shenzhen 518055, China; Institute of Biomedical Engineering, Shenzhen Bay Laboratory 5F, Shenzhen 518071, China.
Medical image analysis
|July 17, 2023
概括
这项研究引入了一种用于诊断罕见 fundus 疾病的新型元学习系统,克服了医学成像中的数据限制. 该方法有效地识别了不常见的疾病,显示了临床应用的希望.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 由于数据稀缺,深度神经网络 (DNN) 在诊断罕见底部疾病方面面临挑战.
- Fundus疾病模式通常遵循长尾分布,罕见疾病对传统的DNN培训没有足够的数据.
研究的目的:
- 开发一种自动诊断系统,用于罕见的 fundus 疾病,使用元学习框架.
- 为了解决医疗图像分析中低数据模式的局限性,用于不常见的疾病.
主要方法:
- 开发了一个meta-learning框架,包括共同规范化损失和集体学习.
- 利用多层次的层次特征嵌入来增强诊断能力.
- 在一个新的轻量级多种疾病底部图像数据集 (FundusData-FS) 上进行了实验,用于几次拍摄的识别.
主要成果:
- 与最先进的技术相比,拟议的方法在检测罕见的 fundus 疾病方面表现优越.
- 从miniImageNet到FundusData-FS验证了跨域的可转移性,证实了方法的稳定性.
- 实验在低数据场景中显示出良好的可重复性和有效性.
结论:
- 开发的meta-learning系统为罕见 fundus 疾病的自动诊断提供了一个有希望的解决方案.
- 该方法有效地利用有限的数据,在少数射击识别任务中优于现有方法.
- 该系统显示出在眼科查中实践临床实践的巨大潜力.
