相关实验视频
Updated: Jul 6, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
甘达尔夫:基于图形的变压器和数据增强主动学习框架,具有可解释的功能,用于多标签的胸部X射线分类
Dwarikanath Mahapatra1, Behzad Bozorgtabar2, Zongyuan Ge3
1Inception Institute of AI, Abu Dhabi, United Arab Emirates; Faculty of IT, Monash University, Melbourne, Australia.
Medical image analysis
|January 10, 2024
概括
本研究介绍了GANDALF,这是一个新的主动学习 (AL) 框架,它结合了基于图形的变压器和数据增强,用于多标签的医学图像分析. 甘达尔夫通过智能选择信息数据和生成多样化,非冗余的增强样本,以更少的标记样本提高诊断模型性能.
科学领域:
- 机器学习 机器学习
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 积极学习 (AL) 通过选择信息样本来训练机器学习模型来降低注释成本.
- 数据增强进一步扩展数据集在低数据场景.
- 结合这些技术是提高AL系统性能的直观方法.
研究的目的:
- 提出GANDALF (基于图形的转换器和数据增强主动学习框架),这是多标签主动学习的新方法.
- 解决传统AL方法在多标签环境中的局限性,特别是在样本可以有多个疾病标签的医疗图像中.
- 提高计算机辅助诊断系统的性能,学习率和稳定性.
主要方法:
- 将疾病标签表示为图节点,并使用图注意力转换器 (GAT) 来学习标签间的关系.
- 通过汇总GAT表示来识别信息样本.
- 从学习的潜伏空间生成增强样本,并使用一种新的多标签信息性得分来选择信息性样本,以确保无冗余性和培训贡献.
主要成果:
- 在胸部X射线和MedMNIST数据集上,GANDALF表现出比最先进的多标签AL技术更好的性能.
- 该方法显示了增强的学习率和诊断任务的稳定性.
- 新的信息度得分有效地识别了有价值的增强样本.
结论:
- 甘达尔夫有效地将信息样本选择和数据增强集成到多标签AL框架中.
- 该方法显著提高了计算机辅助诊断系统的性能,使用有限的标记数据.
- 甘达尔夫为医学图像分析中的多标签学习提供了强大的解决方案.
