在噪音标签中改善医疗图像分类,仅使用自主监督预训
Bidur Khanal1, Binod Bhattarai2, Bishesh Khanal3
1Center for Imaging Science, RIT, Rochester, NY, USA.
概括
自主监督学习预训练改善了在有噪音标签的医疗图像上训练的深度学习模型. 这种方法增强了特征提取和分类的稳定性,这对于准确的医学图像分析至关重要.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 噪音标签降低了深度学习模型的性能,因为它们会导致过拟合和损坏功能提取器.
- 对比的自我监督预训练可以提高自然图像的分类与噪音标签.
- 自主监督预训对有噪音标签的医学图像分类的影响仍然未被探索.
研究的目的:
- 调查对比和借口基于任务的自我监督预训的有效性,用于用噪音标签对医疗图像进行分类.
- 评估自然图像数据集中成功的自主监督预训方法是否适用于医学成像.
主要方法:
- 使用对比和借口基于任务的自我监督学习来预训练模型.
- 应用预训练以初始化医疗数据集 (NCT-CRC-HE-100K和COVID-QU-Ex) 的深度学习分类模型,使用诱导噪音标签.
主要成果:
- 自主监督预训有效地改善了医疗图像分类任务中的特征学习.
- 与标准训练相比,初始化的模型显示了对噪音标签的增强强性.
结论:
- 自主监督预训是减轻医疗图像分析中噪音标签负面影响的可行策略.
- 这种方法有望提高深度学习模型在不完善数据的临床环境中的可靠性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
05:56Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.4K
