使用3D U-Net和模型不可知的超级学习 (MAML) 进行医疗图像分割的少数镜头学习
Aqilah M Alsaleh1,2, Eid Albalawi1, Abdulelah Algosaibi1
1College of Computer Science and Information Technology, King Faisal University, Al Hofuf 400-31982, AlAhsa, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
本研究引入了用于医疗图像细分的模型不可知性超学习 (MAML),使有限的注释数据能够准确地细分器官. 该方法在几次射击学习场景中表现出强的表现,这对于临床应用至关重要.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 图像分割的深度学习需要大量的注释数据,这在医学成像中很少.
- 简单的学习技术提供了一个解决方案,利用先前的知识从有限的样本进行概括.
研究的目的:
- 为高效的医疗图像细分而采用基于梯度的超级学习算法MAML (Model-Agnostic Meta-Learning) 的调整.
- 为了评估MAML与增强的3DU-Net相结合的性能,使用有限的注释数据对多个腹部器官进行细分.
主要方法:
- 利用模型无意识的元学习 (MAML) 快速适应新的细分任务.
- 采用增强的3D U-Net作为基础卷积神经网络架构.
- 评估了TotalSegmentator数据集和当地医院数据集的方法,在各种几次射击 (5次射击和10次射击) 设置中进行了评估.
主要成果:
- 在TotalSegmentator数据集上,在几次射击设置中实现了高平均子系数:高达93.70% (肝脏,10次射击) 和90.27% (肝脏,5次射击).
- 在当地医院数据集上表现出强的表现,五射击细分达到高达90.62% (肝脏).
- 基于MAML的方法显示了有效的快速适应,以最小的注释图像对肝脏,脏和脏进行细分.
结论:
- 与增强的3D U-Net相结合的模型无意识的元学习 (MAML) 对于具有有限数据的医疗图像细分是有效的.
- 提出的方法有助于快速概括到新的细分任务,解决临床环境中的数据稀缺性挑战.
- 这种方法具有很大的潜力,可以提高AI在医学图像分析中的效率和适用性.
