在医疗成像中用次空间特征表示进行推断的少数镜头学习

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习是机器学习.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 深度学习在视觉识别方面的进步与医疗成像方面的挑战形成鲜明对比,因为数据有限.
• 使用预训练模型作为特征提取器的Few-shot学习是小型医疗图像数据集的策略.
• 医学图像的高度复杂性和变异性阻碍了少数镜头学习捕捉基本特征的能力.

研究的目的:

• 通过探索替代的缩小维度的技术来解决医疗图像分析中少数镜头学习的局限性.
• 调查差别分析 (DA) 和非负矩阵分解 (NMF) 的有效性,作为单数值分解 (SVD) 的替代方案.

主要方法:

• 探讨了缩小维度的技术,特别是歧视分析 (DA) 和非负矩阵分解 (NMF),作为主要组件分析/单一值分解 (PCA/SVD) 的替代方案.
• 在14个不同的医疗图像数据集上评估方法,涵盖11种不同的疾病类型.
• 专注于功能空间,其维度与可用的图像数量相比或超过.

主要成果:

• 歧视性子空间显示出与基于SVD的子空间和低维的原始特征空间相比的显著改进.
• 非负矩阵因子化 (NMF) 在适度维度设置中被证明是SVD的竞争性替代品.
• 拟议的方法在复杂的医学成像场景中增强了特征提取,用于少数镜头的学习.

结论:

• 差别分析和NMF是SVD的有效替代品,用于在少数镜头医学图像学习中减少维度.
• 这些方法提高了经典模式识别技术在高维,低数据模式中的性能.
• 这项研究为推进用有限数据集进行医学图像分析提供了实际实施.