用标记投影进行对比学习,用于从几次射击的胸部CT图像中识别Omicron肺炎

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 从CT图像进行肺炎诊断的深度学习需要大量的标记数据,这是很难和耗时的.
• 标记医疗图像需要专家放射科医生,这在开发AI诊断工具方面构成了瓶.

研究的目的:

• 提出一种新的对比式学习模型,用于在胸部CT图像中进行几次射击肺炎诊断.
• 为了利用未标记的数据进行预培训,并尽量减少对专家标记数据集的依赖.
• 在资源有限的场景中提高AI模型的诊断性能.

主要方法:

• 开发了CoTP,这是一个对比式学习模型,结合了令牌投影来改进视觉表示学习.
• 仅使用未标记的胸部CT数据进行CoTP预训练,然后对一小组标记样本进行微调.
• 引入了一个新的Omicron数据集,并使用随机波桑噪声扰动作为数据增强策略.

主要成果:

• 使用CoTP进行预训练的ResNet50在Omicron数据集上获得了92.35%的准确度,92.96%的灵敏度,91.54%的精度和98.90%的AUC.
• 没有预先训练的ResNet50实现了显著较低的性能指标 (77.61%准确度,77.90%灵敏度,76.69%精度,85.66%AUC).
• 在 CoTP 前培训中,与没有前培训的模型相比, CoTP 前培训表现出了显著的改善.

结论:

• CoTP预训练显著提高了在胸部CT扫描中检测肺炎的诊断性能.
• 拟议的方法有效地解决了医疗成像AI中有限的标记数据的挑战.
• CoTP显示了提高诊断效率和减轻放射科医生在肺炎查中的工作负担的潜力.