对于深度神经网络的超合适检测方法,这些神经网络被训练以传输超声波图像
Jiaxin Zhang1, Muyinatu A Lediju Bell2
1Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, MD, USA.
Ultrasonics
|January 2, 2025
概括
研究人员开发了一种新的方法来检测用于超声波成像的深度神经网络 (DNN) 的过拟合. 这种方法使用人工输入,避免需要额外的测试数据或再培训,使DNN模型评估更有效.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度神经网络 (DNN) 显示出重建超声波图像的前景.
- 过度装配是DNN中常见的一个问题,可以降低性能,通常通过耗时的方法 (如损失监控或使用单独的测试数据集) 检测到.
研究的目的:
- 介绍一种用于超声波图像重建的DNN中检测过的新方法.
- 仅使用网络架构和受过训练的权重来实现超拟合检测,而不需要额外的数据或再训练.
主要方法:
- 这项研究使用了三种类型的人工输入 (零,一个,高斯噪声),在训练中没有看到.
- 这些输入被应用于三个经过超声波图像形成训练的DNN,在深度学习超声波波束形成挑战 (CUBDL) 中.
- 通过分析这些人工输入产生的DNN输出并将其与地面真相图像进行比较来评估过度装配.
主要成果:
- 提出的方法成功地检测到评估的DNN中的过.
- 人工输入透露了通过特定输出特征的过拟合:零输入产生的平均输出值≥0.08,一个输入产生的平均输出值≤0.07,和正常化的相关性≤0.8.8.
结论:
- 开发的方法提供了一种有希望的,有效的方式来检测DNN超拟合在超声波成像.
- 这种方法消除了对广泛的再培训或获取新测试数据的需求,促进了更快的模型验证.
