深度贝叶斯主动学习到等级与相对注释,以估计性结肠炎的严重程度

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 机器学习 机器学习

背景情况:

• 精确的基于图像的严重程度估计对于计算机辅助诊断至关重要.
• 深度学习模型需要大量的数据,而对于模两可的案例,离散的严重性标签是昂贵的,并且很难获得.
• 相对注释提供了一个替代方案,但由于潜在的图像对数量庞大,它面临着挑战.

研究的目的:

• 开发一种自动化方法来选择相对严重性注释的最佳图像对.
• 提高基于深度学习的严重性估计模型的效率和准确性.
• 解决医学图像中高标注成本和模两可的严重性的挑战.

主要方法:

• 提出了一个深度贝叶斯主动学习到等级框架.
• 实现基于模型不确定性和学习效率的未标记图像对的自动选择.
• 验证了贝叶斯神经网络的理论适应对对学习到等级.

主要成果:

• 在使用性结肠炎内镜图像的严重性估计中表现出高性能.
• 展示了该方法在私人和公共数据集上的有效性.
• 通过优先考虑少数阶级样本,即使存在显著的阶级失衡,也取得了强的表现.

结论:

• 提出的深度贝叶斯主动学习到等级方法有效地选择信息图像对进行相对注释.
• 这种方法显著提高了严重程度估计的准确性,特别是在数据集不平衡的场景中.
• 该方法为需要严重程度评估的计算机辅助诊断提供了具有成本效益和准确的解决方案.