基于有限的医学图像数据的半监督疾病分类

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 具有积极和未标记 (PU) 数据的半监督学习在医学成像中具有挑战性,因为标记数据有限.
• 现有的方法在疾病分类中难以获得注释医疗图像.
• 医学图像辅助诊断的PU学习对于减少专家工作量至关重要.

研究的目的:

• 使用PU医学图像数据开发一种用于半监督疾病分类的新型生成模型.
• 在分类任务中解决有限的标记医疗图像所带来的挑战.
• 提高医学影像辅助诊断的准确性和效率.

主要方法:

• 介绍了一种新型的生成模型,灵感来自于PU学习的霍尔德分歧.
• 综合问题制定和理论可行性分析.
• 在五个基准医学图像数据集 (乳腺MNIST,肺炎MNIST,血液MNIST,OCTMNIST,AMD) 上进行了广泛的实验.

主要成果:

• 提出的霍尔德基于分歧的模型显著优于现有的基于分歧的KL方法.
• 这种新的方法在所有五个测试的疾病分类基准中都实现了最先进的性能.
• 在利用未标记的医疗图像以改善分类方面表现出优越性.

结论:

• 这种新型的生成模型为半监督疾病分类提供了一个有希望的解决方案,使用有限的标记医疗数据.
• 霍尔德分歧方法有效利用未标记的数据,增强医学图像分析.
• 这种方法代表了医学影像辅助诊断领域的重大进步.