UKSSL:医疗图像分类的基础知识基础半监督学习

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:

• 医学图像分析从深度学习中受益,但在有限的标记数据下面临挑战.
• 没有标签的医疗图像通常数量超过标签的图像,阻碍了模型培训.
• 使用稀缺的标记数据开发高性能模型是一个关键的研究领域.

研究的目的:

• 引入UKSSL,这是一个基础的基于知识的半监督框架.
• 为了应对训练有效的医疗图像分类模型的挑战,使用有限的标记数据.
• 利用未标记的数据来提高医学图像分析的性能.

主要方法:

• 英国SSL框架包括两个组成部分:MedCLR用于从未标记的数据中表示特征,UKMLP用于用标记的数据进行微调.
• MedCLR从大型未标记的医疗图像数据集中提取基本知识.
• UKMLP利用提取的特征和有限的标记数据进行医学图像分类.

主要成果:

• 在LC25000和BCCD数据集上,UKSSL只使用50%的标记数据实现了高性能.
• 在LC25000上,UKSSL报告了精度,回忆,F1得分和98.9%的准确性.
• 在BCCD上,UKSSL实现了94.3%的精度,94.5%的回忆,94.3%的F1得分和94.1%的准确性,超过了100%标记数据的监督方法.

结论:

• UKSSL有效地从未标记的医疗图像数据集中提取有价值的基础知识.
• 该框架在医疗图像分类中表现出卓越的性能,使用有限的标记数据.
• 在医学深度学习中,UKSSL为数据稀缺场景提供了一个有希望的解决方案.