提高医疗图像细分模型与神经记忆常规微分方程的稳定性
Junjie Hu1, Chengrong Yu1, Zhang Yi1
1Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, P. R. China.
International journal of neural systems
|September 25, 2023
概括
深度神经网络 (DNN) 与杂的标签作斗争. 一种新的方法,基于神经记忆普通微分方程的知识蒸 (nmODE-KD),提高了医疗图像细分的稳定性和效率.
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:
- 深度神经网络 (DNN) 是医疗图像细分的最新技术,但需要大量高质量的注释数据.
- 当训练数据标签被破坏时,DNN的稳定性较差,这限制了它们的临床适用性.
- 现有的基于普通微分方程 (ODE) 的模型,如神经记忆 ODE (nmODE),提高了稳定性,但面临着计算效率的挑战.
研究的目的:
- 解决DNN在医疗图像细分中的稳定性和效率限制.
- 为基于连续的ODE模型引入一种新的知识蒸方法.
- 提高医疗图像细分模型的性能和可靠性.
主要方法:
- 建议基于nmODE的知识蒸 (nmODE-KD) 来将知识从连续的nmODE转移到离散层.
- 尽量减少连续nmODE和离散层之间的KL分歧,以强制执行知识传输.
- 在18个有风险的器官细分任务中评估nmODE-KD.
主要成果:
- 与基于ODE的标准模型相比,nmODE-KD显示了增强的稳定性.
- 提出的方法成功地减轻了基于ODE的模型的计算效率限制.
- 实验结果证实了医疗图像细分任务的性能和稳定性的提高.
结论:
- nmODE-KD为强大高效的医疗图像细分提供了一个有前途的解决方案.
- 知识蒸方法有效地弥合了连续模型和离散模型之间的差距.
- 这种方法有可能改善DNN在医学成像中的临床部署.
