自主监督学习提高了深度学习肺瘤细分模型与CT成像差异的稳定性

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:

• 自主监督学习 (SSL) 从未标记的数据中提取功能,用于下游任务.
• 自主预训练使用精心策划的数据集,用于预训练和微调.
• 未经精确的公共医疗图像通过"野生"SSL提供了强大的基础模型的潜力.

研究的目的:

• 在非小细胞肺癌 (NSCLC) 细分方面,比较野生与自我预训练模型 (CNN,ViT,Swin) 的强度.
• 评估3D计算机断层扫描 (CT) 扫描上的模型.
• 评估不同预训练策略对模型性能的影响.

主要方法:

• 野生预训练和自我预训练应用于CNN,ViT和Swin模型,使用未标记和策划的NSCLCCT数据集.
• 在两种预训练方法中都使用了掩面图像转换器借口任务.
• 在各种NSCLC数据集上微调和测试模型,评估准确性,对成像变异的稳定性和功能重复使用.

主要成果:

• 野生预训练的Swin模型表现出更高的功能重复使用,并且表现优于自我预训练的模型.
• 在ViT和CNN模型中,野生预训练与自我预训练没有显著的益处.
• 蒙面图像预测借口任务的准确性高于对比任务.

结论:

• 野生预训练的Swin网络在肺瘤细分方面表现出优越的稳定性,与CT成像变异相对抗.
• 与自我预训练相比,ViT和CNN模型没有从野外预训练中获得明显的优势.
• 架构和预训练策略的选择会影响医疗图像分析的稳定性.