联合学习与知识蒸,用于部分标记数据集的多器官细分
Soopil Kim1, Heejung Park2, Myeongkyun Kang1
1Department of Robotics and Mechatronics Engineering, Daegu Gyeongbuk Institute of Science and Technology, Republic of Korea; Department of Psychiatry and Behavioral Sciences, Stanford University, CA 94305, USA.
Medical image analysis
|April 11, 2024
概括
本研究引入了一种新的联合学习方法,通过知识蒸来改善多器官CT细分. 该方法通过通过全球和器官特定模型规范本地培训来提高准确性和效率,克服灾难性遗忘.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 针对多器官CT细分的深度学习需要大型,精心策划的数据集,这些数据集通常受到部分标签和多机构变异的限制.
- 联合学习解决了数据隐私问题,但遭受了灾难性的遗忘,导致本地模型更新后的预测不可靠.
研究的目的:
- 为准确和高效的多器官CT细分开发一个强大的联合学习框架.
- 通过知识蒸来缓解联合学习中的灾难性遗忘.
主要方法:
- 实现了多头U-Net架构,用于在不同器官中共享嵌入空间学习.
- 采用知识蒸来规范本地培训,使用全球和预培训的器官特定模型.
主要成果:
- 拟议的方法在精度和推断时间方面显著超过了最先进的技术.
- 在7个不同器官的多机构腹部CT数据集上取得了卓越的表现.
结论:
- 新型的联合学习方法与知识蒸有效地解决了多器官CT细分方面的挑战.
- 该方法为各种临床环境中可靠和高效的医学图像分析提供了一个有前途的解决方案.
