在尿液沉积物图像上进行几次射击物体检测的跨域机制
Sixian Chan1, Binghui Wu2, Hongqiang Wang3
1School of Computer Science and Technology, Zhejiang University of Technology, Hangzhou, Zhejiang, 310014, China; Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, Anhui, 230031, China.
Computers in biology and medicine
|October 6, 2023
概括
由于数据有限,在医学成像中检测少数镜头对象是具有挑战性的. 这项研究引入了背景抑制注意力 (BSA) 和功能空间微调 (FSF),以提高使用最小标记数据的跨域检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 医学成像分析 医学成像分析
- 机器学习 机器学习
背景情况:
- 深度学习对象检测需要大量的注释数据,这在医学成像中很少.
- 短拍物体检测对于识别未见的类别与有限的标记示例至关重要.
- 在一般数据集和医疗图像之间存在显著的领域差距,阻碍了模型的概括.
研究的目的:
- 为医疗成像开发一种有效的少数拍摄物体检测方法.
- 为了应对跨域域域移动的挑战,跨域域的少数镜头对象检测.
- 为了提高对象检测模型的性能,在专业领域使用最小的标记数据.
主要方法:
- 提出了一个背景抑制注意力 (BSA) 模块,以尽量减少训练期间的背景噪音.
- 引入了一个特征空间微调 (FSF) 模块,以调整特征分布以更好地预测.
- 将BSA和FSF模块集成到现有物体检测网络中,以实现无应用.
主要成果:
- 拟议的BSA和FSF模块显著提高了几次射击检测性能.
- 实验证明了在域内和跨域情景中的有效性.
- 对VOC到UriSed2K的跨领域实验显示了实质性的性能增长.
结论:
- BSA和FSF的方法提供了一种方便且可插入的解决方案,用于增强医疗成像中的少数镜头对象检测.
- 该方法有效地弥合了域差距,而不需要额外的信息存储.
- 这项工作推进了少数镜头学习在资源有限的医学图像分析中的适用性.
