M-VAAL:用于下游医疗图像分析任务的多模式变异对抗式主动学习
Bidur Khanal1, Binod Bhattarai2, Bishesh Khanal3
1Center for Imaging Science, RIT, Rochester, NY, USA.
Medical Image Understanding and Analysis. Medical Image Understanding and Analysis (Conference)
|August 19, 2024
概括
有注释的医疗数据是昂贵的. 这项研究引入了多模态变异对抗主动学习 (M-VAAL) 以有效地选择信息样本,减少医学成像中的深度学习模型的注释需求.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 获得注释医疗数据是昂贵的,因为专家参与,耗时的协议,和验证要求.
- 主动学习旨在通过选择最有信息的标注样本来减少对大量注释数据的需求.
- 积极学习对于改善医学诊断,评估和治疗规划中的深度学习模型至关重要.
研究的目的:
- 提出一种新的主动学习方法,利用多式联络辅助信息进行增强的样本选择.
- 解决医疗图像分析中现有的特定任务主动学习方法的局限性.
- 提高数据驱动的医疗人工智能模型的稳定性和效率,并提供有限的注释.
主要方法:
- 开发了一种多模式变异对抗式主动学习 (M-VAAL) 方法.
- 将来自额外模式的辅助信息集成到主动学习采样器中.
- 将M-VAAL方法应用于脑瘤细分/分类 (BraTS2018) 和胸部X射线分类 (COVID-QU-Ex).
主要成果:
- 证明了M-VAAL在增强使用多式联络数据的活跃采样方面的有效性.
- 在数据高效学习中取得了有希望的结果,用于具有有限注释的医疗图像分析任务.
- 展示了M-VAAL在改善临床应用中的深度学习模型性能方面的潜力.
结论:
- 拟议的M-VAAL方法为医疗人工智能开发提供了一种强大且数据效率高的方法.
- 利用多式联络信息显著提高了积极学习样本的选择.
- M-VAAL在降低与医疗数据注释相关的成本和工作量方面表现有前途.
