混合监督的双向传输网络用于计算机辅助诊断.
Ronglin Gong1, Jing Shi2, Jian Wang1
1Key Laboratory of Specialty Fiber Optics and Optical Access Networks, Joint International Research Laboratory of Specialty Fiber Optics and Advanced Communication, School of Communication and Information Engineering, Shanghai University, China; Shanghai Institute for Advanced Communication and Data Science, Shanghai University, China.
Computers in biology and medicine
|September 6, 2023
概括
本研究介绍了混合监督的双向传输网络 (HBTN),这是一种新的自我监督的学习框架,可以增强计算机辅助诊断 (CAD) 模型. HBTN 提高了诊断准确度,特别是在有限的医学成像数据的情况下.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 医学成像对于疾病诊断至关重要,但准确性取决于放射科医生的技能.
- 计算机辅助诊断 (CAD) 旨在提高诊断的准确性,一致性和可重复性.
- 卷积神经网络 (CNN) 在CAD中表现有前途,但与小数据集扎;自主监督学习 (SSL) 对有限的医学成像数据是有效的,但传统框架可能无法最佳地预训练下游任务.
研究的目的:
- 提出改进的自我监督学习 (SSL) 框架,混合监督双向传输网络 (HBTN),以提高计算机辅助诊断 (CAD) 模型的性能,特别是在处理有限的培训样本时.
- 引入一项新的灰度图像映射 (GSIM) 借口任务,将类标签信息嵌入到图像恢复中,以改善歧视性特征学习.
- 将图像修复和分类网络集成到一个统一的混合监督学习 (HSL) 框架中,用于协作知识传输.
主要方法:
- 开发了混合监督的双向传输网络 (HBTN),这是一个改进的SSL框架用于医疗图像分析.
- 引入了一个新的灰度图像映射 (GSIM) 借口任务,通过结合类标签信息来增强传统的图像恢复.
- 整合图像恢复和分类网络成为统一的混合监督学习 (HSL) 框架,用于联合培训和知识转移.
主要成果:
- 拟议的HBTN框架在CAD任务中与传统的SSL算法相比表现优越,训练样本有限.
- 在两个医学图像数据集上的实验结果验证了HBTN在改善CAD模型性能方面的有效性.
- 在HBTN内部的GSIM任务和HSL框架有效地改善了歧视性特征学习和下游任务性能.
结论:
- 在医疗图像分析的自我监督学习中,HBTN提供了显著的进步,解决了CAD中小样本大小的挑战.
- 新的GSIM任务和HSL框架有助于更有效的特征学习和知识传输,提高CAD模型的准确性.
- 在有限数据的医学成像应用中,HBTN显示出提高诊断准确性和可靠性的巨大潜力.
