通过对深度学习模型进行跨物种和跨病理学自我监督的预培训来改善兽医胸部放射图的分类

科学领域:

• 兽医辐射学 兽医辐射学
• 人工智能在医学中的应用
• 机器学习用于医学成像

背景情况:

• 在兽医中,胸部病变的准确诊断在很大程度上依赖于放射性成像分析.
• 当前的自动诊断系统往往需要大量的标记数据,这是昂贵和耗时的.
• 需要有效的方法来改进对兽医放射数据的自动化分析,特别是考虑到临床实践中的时间限制.

研究的目的:

• 开发和评估一种用于对兽医放射成像数据的自动化分析的新方法.
• 通过利用自主监督学习的知识转移来提高胸部病变的分类准确性.
• 减少对大型标记兽医数据集的依赖,以培训诊断模型.

主要方法:

• 使用自主监督学习 (SSL) 方法,包括Beta变量自编码器,软内观变量自编码器和简单的视觉表示对比学习框架 (SFL).
• 预先训练的模型使用来自人类和犬类数据集的大型,公开可用的未标记的放射图像.
• 在较小的兽医数据集 (20%的可用数据) 上微调预训练模型,使用监督学习进行分类.

主要成果:

• 视觉表征对比学习的简单框架 (SFL) 作为预训练方法展示了最显著的好处.
• 实现的ROC AUC平均得分为0.77的横向横向和0.66的dorsoventral投影数据集.
• 与没有预训练训练的模型相比,在分类性能上有显著的改善.

结论:

• 自主监督学习,特别是SFL,是兽医放射学模型预培训的一个非常有效的策略.
• 从物种间和病理间的知识转移,SSL有效地提高了胸部病变的诊断准确性.
• 拟议的方法提供了一种可行的解决方案,用于改进兽医放射数据的自动化分析,克服传统监督方法的局限性.