PFMNet:基于原型的特征映射网络,用于医疗图像细分中的少数镜头域调整
1Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, No. 800, Dongchuan Road, Shanghai, 200240, China.
概括
对于罕见疾病的深度学习面临着数据稀缺. 一个新的基于原型的特征映射网络 (PFMNet) 有效地适应了使用有限数据进行医疗图像细分的模型.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 深度学习模型需要大量的注释数据集,这对于罕见疾病来说很少.
- 训练用于罕见疾病图像细分的强大模型是具有挑战性的,因为数据有限.
- 短拍域调整 (FSDA) 通过利用有限的目标域数据提供了一个解决方案.
研究的目的:
- 引入一种基于原型的新型特征映射网络 (PFMNet),用于医疗图像细分中的少数镜头域调整.
- 为了应对罕见病研究中有限的注释数据的挑战.
主要方法:
- PFMNet使用了一个编码器-解码器架构,具有基于原型的特征映射 (PFM) 模块.
- 该PFM模块将目标域特征转换为源域类似特征,以更好地理解解码器.
- 该网络的设计是为了在有限的数据中执行有效的少数镜头细分.
主要成果:
- PFMNet在少数镜头医疗图像细分任务中表现出有效性.
- 实验进行了跨中心光盘/杯,聚片细分和跨模式心脏结构细分的实验.
- 在5次,10次,15次和20次的设置中评估了性能.
结论:
- 拟议的PFMNet有效地解决了医疗图像细分中的数据稀缺问题,通过少数镜头域调整.
- 由于数据有限,PFMNet显示出改善罕见疾病研究和其他医学成像应用的前景.
