医疗成像系统 (CLMS):在医学成像细分领域的领域差距弥合,通过无源不断学习来实现强大的知识转移和适应
Weilu Li1, Yun Zhang1, Hao Zhou1
1State Key Laboratory of Ophthalmology, Guangdong Provincial Key Laboratory of Ophthalmology and Visual Science, Zhongshan Ophthalmic Center, Sun Yat-sen University, Guangzhou, China.
Medical image analysis
|December 1, 2024
概括
本研究介绍了持续学习多尺度域适应 (CLMS),这是一种用于医学成像的新型无源域适应方法. 在没有原始培训数据的情况下,CLMS有效地弥合了领域的差距,改善了在各种医疗保健场所的深度学习模型性能.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习模型在各种医疗保健环境中面临性能问题,原因是数据不一致.
- 将模型适应新的临床环境是很困难的,特别是当源数据由于隐私问题而无法访问时.
- 现有的无源域调整 (SFDA) 方法在错误传播和保存源知识方面存在困难.
研究的目的:
- 开发一个端到端的SFDA框架,使深度学习模型适应新的未标记的医学成像领域.
- 为了应对SFDA中错误传播,特征不对齐和知识保存的挑战.
- 为了使人工智能模型在各种医疗保健环境中可靠地部署.
主要方法:
- 引入了持续学习多级域适应 (CLMS),这是SFDA框架.
- 综合多尺度重建,持续学习和风格调整技术.
- 仅使用未标记的目标数据或公开可用的数据进行调整.
主要成果:
- 在前列腺MRI细分 (迪斯+10.87%),结肠镜聚细分 (迪斯+17.73%) 和视网膜疾病分类 (AUC+11.19%) 中,CLMS取得了显著的性能改善.
- 在各种医学成像任务中始终超越了最先进的SFDA方法.
- 成功保存了源知识,避免了灾难性的遗忘.
结论:
- CLMS提供了一个强大的解决方案,用于将深度学习模型适应新的临床成像领域.
- 该框架有助于在各种医疗保健环境中安全可靠地部署AI.
- 这种方法克服了现有的SFDA方法的局限性,提高了模型的通用性.
