通过距离相关性最小化和图表注意力规范化进行半监督医疗图像分类.

科学领域:

• 医学成像分析 医学成像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 医学成像分类在很大程度上依赖于注释数据,这些数据往往稀缺且成本高昂.
• 在现实的医疗场景中,有限的标记数据集阻碍了深度学习模型的性能.
• 开发具有成本效益的方法来利用丰富的未标记的医疗数据至关重要.

研究的目的:

• 为医学成像分类提出一种新的半监督学习方法,该方法利用未标记的数据以及最小的注释数据.
• 在资源有限,数据注释预算有限的环境中提高分类性能.
• 引入和验证医疗图像分析中特征表示和数据规范化的新技术.

主要方法:

• 一种新的半监督学习方法,采用距离相关性来最大限度地减少不同图像视图之间的特征表示相关性.
• 使用非合深度神经网络架构进行特征编码.
• 实施数据驱动的基于图形关注的规范化策略,以基于特征空间关系的无标签数据中的亲和关系进行建模.

主要成果:

• 拟议的方法在四个不同的医学成像数据集 (X射线,皮肤镜,MRI,CT) 中实现了高度竞争力的性能.
• 该方法在与几种最先进的半监督学习方法相比显示出更高的性能.
• 实验验证实了医疗图像分析的距离相关性和图表注意力规范化的有效性.

结论:

• 这种新型的半监督学习方法显著提高了医疗成像分类准确性,并提供了有限的注释.
• 距离相关性被证明是减少特征依赖性的多功能措施.
• 基于图表注意力的规范化有效地模拟图像 afinities,在医学成像中受益于半监督学习.