用半监督学习对白细胞瘤,周周囊和慢性补性骨髓炎进行分类:波形融合-ViT模型方法
Bohui Liang1, Hongna Qin2, Xiaolin Nong3
1School of Computer, Electronics and Information, Guangxi University, Nanning 530004, China.
Bioengineering (Basel, Switzerland)
|June 27, 2024
概括
一个新的WaveletFusion-ViT模型使用半监督学习从CBCT扫描中准确地诊断出像乳腺母细胞瘤这样的面疾病. 这种方法在有限的标记数据中实现了高精度,优于完全监督的方法.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 骨髓母细胞瘤,周周囊和慢性性骨髓炎在CBCT扫描上呈现类似的成像特征,使差异诊断复杂化.
- 当前的深度学习诊断模型通常需要手动划分区域,这带来了实际挑战.
研究的目的:
- 使用CBCT全景图像开发一种自动诊断模型,以区分乳腺母细胞瘤,周周囊和慢性性骨髓炎.
- 解决现有的深度学习方法中手动区域感兴趣注释的局限性.
主要方法:
- 提出了一个新的波形提取和融合模块与视觉变压器 (WaveletFusion-ViT) 模型.
- 该模型使用了539个CBCT样本 (健康,AM,PC,CSO) 和2000个健康样本进行域适应网络 (DAN) 的预训练.
- 半监督学习 (SSL) 方法用于训练WaveletFusion-ViT模型,初始化了预先训练的DAN权重.
主要成果:
- 在五倍交叉验证中,WaveletFusion-ViT模型实现了91.47%的平均准确率和0.942的AUC.
- 该模型使用不到20%的标记数据证明了91.47%的准确性,超过了完全监督方法的89.05%准确性.
- 记录了高灵敏度 (79.60%) 和特异性 (94.48%).
结论:
- 波形融合-ViT模型提供了一种有效和自动化的方法,用于从CBCT图像中诊断流行的 maksillofacial疾病.
- 该研究强调了将SSL与深度学习相结合的潜力,以使用最小的标记数据进行准确的医学图像诊断.
- 未来的研究应该解决有限数量的CSO病例,并提高这种情况的诊断准确性.


