没有标签的医疗图像质量评估通过语义意识的对比学习在IoMT

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 医疗事物互联网 (IoMT) 是一个

背景情况:

• 医疗物联网 (IoMT) 为医疗人员的工作量提供解决方案,特别是在医疗图像质量评估 (MIQA) 中.
• 传统的MIQA模型需要广泛的标记数据集,这对培训和开发构成重大挑战.
• 有效的MIQA对于各种医学成像模式的准确诊断和治疗至关重要.

研究的目的:

• 开发一个无标签的MIQA模型,解决传统方法的局限性,需要大型标签数据集.
• 引入一个能够将质量评估泛化到各种医疗图像类型的语义意识对比学习 (SCL) 模型.
• 为了证明零射击学习方法对医疗图像质量评估的有效性.

主要方法:

• 提出了一个新的语义意识对比学习 (SCL) 模型,利用通过定制的对比语言图像预训练 (CLIP) 模型的零射击学习.
• 该SCL模型整合了零射击学习,空间域 (自然场景统计和基于补丁的特征) 和频率域 (本地和全球层次特征) 的特征.
• 该模型在两个现有数据集 (EyeQ,LiverQ) 和新创建的皮肤图像质量评估数据集上进行了评估.

主要成果:

• 拟议的SCL方法在三个不同的医疗图像质量数据集中,与现有的先进模型相比,表现优越.
• 无标签,零射击学习方法在将质量评估推广到各种医疗图像类型方面被证明是有效的.
• 整合多域特征 (零射击,空间,频率) 有助于强大的质量评分.

结论:

• 开发的无标签SCL模型为医学图像质量评估提供了一个有前途的解决方案,克服了对大型标签数据集的需求.
• 零射击学习方法使MIQA能够在不同的医学成像模式中有效地泛化.
• 这项研究推动了AI在IoMT中的应用,以改善医疗图像分析和诊断支持.