自主监督-RCNN用于医疗图像细分,数据注释有限.
Banafshe Felfeliyan1, Nils D Forkert2, Abhilash Hareendranathan3
1Department of Biomedical Engineering, University of Calgary, Calgary, AB, Canada; McCaig Institute for Bone & Joint Health, University of Calgary, Calgary, AB, Canada.
概括
本研究引入了一种自我监督的学习方法,以提高医疗图像细分的准确性. 通过对未标记的数据进行预训练,该方法在有限的专家注释下显著提高了性能,有利于各种医学成像任务.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医疗成像中的监督学习需要广泛的专家注释,这是昂贵和耗时的.
- 在医疗图像细分任务中,有限的标记数据对实现高精度构成重大挑战.
研究的目的:
- 提出一种新的深度学习培训策略,使用在未标记的医学成像数据上进行自我监督的预训.
- 克服监督医疗图像分析数据稀缺性的局限性.
主要方法:
- 开发了一种自我监督的预训练方法,涉及对未标记的图像应用任意扭曲.
- 训练了一个Mask-RCNN架构来检测和恢复这些扭曲,使模型能够学习图像纹理.
- 然后,使用有限的标记数据,为特定的细分任务微调预训练模型.
主要成果:
- 提出的自主监督预训练方法显示了更好的细分性能,子得分增加了多达18%.
- 该方法在各种预训练和微调场景中表现出有效性,在骨关节炎倡议数据集中验证了膝盖MRI输出细分的有效性.
结论:
- 在未标记的医疗图像上进行自我监督的预培训为具有有限标记数据的细分任务提供了坚实的基础.
- 这种方法为增强医疗图像分析提供了一个有价值的策略,适用于异常检测,细分和分类.
