从单一到多重:在有限的类样本下,对Covid-19的普遍检测
Kaihui Zheng1, Jianhua Wu1, Youjun Yuan2
1Department of Intensive Care Unit, The Second Affiliated Hospital of Shanghai University (Wenzhou Central Hospital), Wenzhou, Zhejiang, 325000, China.
Computers in biology and medicine
|August 13, 2023
概括
这项研究引入了一种使用有限数据进行医学图像诊断的新方法. 它准确地识别出已知条件并标记未知条件,在各种环境中提高诊断准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 医疗诊断的深度学习需要广泛的标记数据和医疗专业知识,这在临床实践中带来了挑战.
- 目前的方法因数据稀缺和疾病表示的复杂性而扎,限制了它们在现实世界中的适用性.
- 随着COVID-19的流行,人们越来越需要快速,准确和适应性的诊断工具.
研究的目的:
- 解决医疗图像诊断中现有的深度学习模型的局限性.
- 提出一个新的框架,医疗图像诊断开放式单域泛化 (OSSDG-MID),用于单个源域的培训模型.
- 为了能够准确地分类目标域样本,并识别源域范围之外的"未知"类别.
主要方法:
- 引入了医疗图像诊断 (OSSDG-MID) 问题设置的开放式单域泛化.
- 开发了多重交叉匹配 (MCM) 方法,以在源域的类别空间之外生成辅助样本.
- 评估了各种跨域图像分类任务的方法.
主要成果:
- 拟议的MCM方法显著改善了"未知"类别的识别.
- 与现有方法相比,OSSDG-MID在单域泛化方面表现出优越的性能.
- 该方法在开放式图像分类任务中实现了高精度.
结论:
- 该MCM方法有效地提高深度学习模型的能力,将其泛化到新领域,同时识别分布外样本.
- OSSDG-MID为开发强大的医疗图像诊断工具提供了一个有希望的解决方案,减少了对广泛标记数据的依赖.
- 这项研究有助于在医疗保健中推进人工智能,使得诊断系统更具适应性和准确性.
