卷积神经网络的重新训练用于内镜高速视频中的喉膜细分

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 喉腔病理学 喉腔病理学

背景情况:

• 内镜高速视频 (HSV) 系统对于评估声动态至关重要.
• 在HSV技术的进步需要更新神经网络 (NN) 模型,以准确的图像处理.
• 现有的NN模型需要重新培训,以适应新的记录方式和数据变化.

研究的目的:

• 评估在HSV图像细分中使用的卷积神经网络 (CNN) 的再培训策略.
• 为了提高各种HSV系统的基于NN的图像处理的准确性.
• 调查数据多样性和再培训对细分性能的影响.

主要方法:

• 开发了一个新的数据集 (BAGLS-RT),包含来自各种HSV系统,光源和分辨率的21,050张图像.
• 使用扩展数据集重新训练了一个基线CNN (在58,750张图像上训练) .
• 在不同的再培训方法中比较细分精度 (mIoU),包括通过动态知识蒸微调.

主要成果:

• 通过预处理增加数据多样性,将细分精度提高了6.35% (mIoU).
• 随后的再培训进一步提高了额外的2.81% (mIoU) 的细分性能.
• 精细调整与动态知识蒸产生了最有效的再培训结果.

结论:

• 数据增强和再培训对于提高HSV图像分割质量是有效的.
• 动态知识蒸是一种有前途的再培训方法,用于将CNN适应新数据.
• 灾难性遗忘在再培训过程中仍然是一个挑战,需要仔细考虑,以保留以前学到的知识.