一种基于自我调节的对抗性学习的医学图像分类方法

科学领域:

• 医学成像分析 医学成像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 医疗保健中的人工智能

背景情况:

• 医学图像分类面临诸如小数据集和不平衡类等挑战.
• 生成对抗网络 (GAN) 显示出在医学成像中数据增强的前景.
• GAN的性能通常取决于高质量的生成图像和大型训练数据集.

研究的目的:

• 为改善医疗图像分类提出基于对抗学习的分类框架 (GAN-DL).
• 使用GAN模型作为补充规范化术语来解决数据限制.
• 在具有挑战性的医学成像场景中提高分类性能.

主要方法:

• 该GAN-DL框架包括一个特征提取网络 (F-Net),分类器,重建网络 (R-Net) 和区分器网络 (D-Net).
• 具有网络特定损失函数的代对抗式学习策略指导培训.
• 损失函数作为调整,自动导出,没有额外的数据注释.

主要成果:

• GAN-DL框架在COVID-19和OPSCC数据集上的13种经典深度学习方法中表现出卓越的性能.
• 在两个数据集上都实现了高精度,灵敏度,特异性和F1得分.
• 废除研究证实了歧视网络 (D-Net) 的关键作用,并提供了对方法的见解.

结论:

• 基于对抗的框架提高了医疗图像分类的准确性,并减轻了过度拟合.
• 模块化设计为各种临床环境和医学成像应用提供了灵活性.
• 基于GAN的规范化证明了在医疗图像分析中改善深度学习的有效性.