医学图像分类的自我监督:最先进的性能,每类约有100个标记的训练样本
Maximilian Nielsen1, Laura Wenderoth1, Thilo Sentker1
1Department of Computational Neuroscience, Institute for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf, Martinistraße 52, 20251 Hamburg, Germany.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
自主监督深度学习 (DL) 为医学图像分类提供了一个强大的替代方案,大大减少了对标记数据的需求. 这种方法只使用一小部分标记样本,就能获得最先进的结果.
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:
- 监督深度学习 (DL) 是医疗图像分析的标准,但需要广泛的标记数据.
- 标记数据的稀缺性是医学图像分析领域的一个主要局限性.
- 自主监督学习 (SSL) 为克服数据限制提供了一个有希望的途径.
研究的目的:
- 评估自我监督的深度学习 (DL) 作为监督DL的可行替代方案,用于医学图像分类.
- 评估有限的标记数据对使用SSL对分类性能的影响.
- 在SSL中调查Denoising扩散概率模型 (DDPM) 框架的有效性.
主要方法:
- 员工自主监督的深度学习 (DL) 使用没有标签的自我蒸 (DINO) 框架进行代表性学习.
- 使用了三种不同的医学成像方法:骨髓显微镜,胃肠内镜和皮肤镜.
- 应用常规机器学习分类器在无监督表示学习后对系统变化的标记样本数量 (每类1-1000个) 进行训练.
主要成果:
- 在所有三种医学成像模式和数据集中实现了最先进的分类性能.
- 只有1%到10%的可用标记数据证明了高效率.
- 每个类大约有100个标记样本,达到最佳性能,展示了显著的数据效率.
结论:
- 自主监督深度学习 (DL),特别是使用DINO框架,是用于医学图像分类的监督DL的强有力的替代方案.
- 即使使用非常有限的标记数据,SSL方法也可以实现顶级性能,解决医疗AI的关键瓶.
- 这些发现表明,医疗图像分析中的数据效率更高的AI模型正在转向范式转变.
