M-MSSEU:无源域调整用于多模式中风病变细分,使用阴影集和证据不确定性
Zhicheng Wang1, Hongqing Zhu1, Bingcang Huang2
1School of Information Science and Engineering, East China University of Science and Technology, No.130 Meilong Road, Shanghai, 200237 China.
Health information science and systems
|October 2, 2023
概括
这项研究引入了一种新的无源域适应方法,用于多模态中风病变细分. 该方法通过使用证据深度学习来提高伪标签质量,提高细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 无监督的域名适应面临着由于无法获得源数据的挑战.
- 无源域适应 (SFDA) 对于利用没有源数据的预训练模型至关重要.
- 多模式医学成像为中风病变细分提供了丰富的信息.
研究的目的:
- 开发一种新的SFDA方法,用于多模态中风病变细分.
- 在SFDA框架内有效利用多模式信息.
- 通过使用证据深度学习来提高细分的可靠性和准确性.
主要方法:
- 一个采用Dempster-Shafer证据理论的多模式意见融合模块,用于跨模式决策融合.
- 伪标签学习使用预训练的源代码模型进行域调整.
- 伪标签通过阴影集理论和使用证据不确定性的精细化来提高标签质量进行选.
主要成果:
- 与现有的最先进的SFDA技术相比,提出的方法显示出更高的性能.
- 在两个多模态中风病变数据集上的实验验证证证了该方法的有效性.
- 开发的伪标签质量改善计划是高效和有效的.
结论:
- 新的SFDA方法有效地对多模态中风病变进行细分.
- 有证据的深度学习和先进的伪标签策略显著提高了适应性能.
- 这项工作为在无监督环境中进行医学图像分析提供了有前途的方向.
