一个自我监督的融合网络,用于带斑块超声波图像分类
Yue Zhang1, Haitao Gan1, Furong Wang2
1School of Computer Science, Hubei University of Technology, Wuhan 430068, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究介绍了Fusion-SSL,这是一种新的自主监督学习方法,用于从超声波图像中分类动脉斑块. 融合SSL有效地减少了对广泛标记数据的需求,有助于预测中风风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 从超声波图像中分类 Carotid 斑块对于预测缺血性中风风险至关重要.
- 深度学习模型需要大型标记数据集,限制其临床应用.
- 自主监督学习 (SSL) 为数据稀缺场景提供了一个有希望的方法.
研究的目的:
- 开发一个自我监督的融合网络 (Fusion-SSL) 用于用有限的标记数据进行带斑超声图像分类.
- 与单个SSL任务相比,提高状腺斑块分类的性能.
- 在医学图像分析中减少对大型标记数据集的依赖.
主要方法:
- 提出了一个新的自我监督的融合网络 (Fusion-SSL),集成两个SSL任务:图像块排序和旋转角度预测.
- 使用双分支残余神经网络来融合两个SSL任务的特征.
- 在844名患者的1270张带斑超声波图像上训练和评估模型.
主要成果:
- 在各种标记数据百分比 (10-100%) 中,Fusion-SSL在单个SSL方法中表现出优越的性能.
- 只有40%的标记数据,Fusion-SSL的性能与使用100%标记数据的单一SSL方法相提并论.
- 融合的特征捕获了更丰富的视觉边界和轮信息.
结论:
- 融合-SSL有效地提高了用有限的标记数据来对状腺斑块进行分类的准确性.
- 拟议的方法显示了在中风早期预警系统中临床应用的巨大潜力.
- 这种方法解决了医疗深度学习中数据稀缺的挑战.
