无监督的模型适应用于医疗图像的无源细分
Serban Stan1, Mohammad Rostami1
1University of Southern California, United States of America.
Medical image analysis
|April 16, 2024
概括
本研究介绍了一种保护隐私的无监督域调整方法,用于医疗图像细分. 它使模型能够对新的数据分布进行概括,而不需要访问原始训练数据,保护患者的隐私.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度神经网络在具有足够数据的医学语义细分方面表现出色.
- 网络在与已经不再分发的图像进行斗争,需要昂贵的再培训和专家标签.
- 医学成像中的分布转移是由各种设备 (例如MRI,CT) 引起的.
研究的目的:
- 开发一个保护隐私的无监督域适应 (UDA) 算法用于医疗图像细分.
- 消除在适应期间需要访问源数据的需求,保护患者数据的隐私.
- 为了使在一个数据分布上训练的模型能够在没有重新标记的情况下对其他数据进行概括.
主要方法:
- 提出了一个新的UDA算法用于医疗图像细分.
- 在适应过程中近似的源潜特征.
- 尽量减少分布距离,使用最佳运输来创建一个联合嵌入空间.
- 在适应阶段没有确保对源数据的访问.
主要成果:
- 拟议的方法证明了与医疗细分领域现有的UDA技术相比具有竞争力的性能.
- 在保持患者数据隐私的同时,实现了对新数据分布的概括.
- 验证了接近源潜伏特征的有效性,以适应.
结论:
- 开发的UDA算法成功地解决了医疗成像中的分布转移的挑战.
- 该方法通过避免访问源数据来保护患者数据的隐私.
- 它为适应医疗图像细分模型提供了一种可行且对隐私有意识的替代方案.
