吸收式多实例多标签学习用于牙周病分类,具有先前的领域知识.
Zi-Yuan Wu1, Wei Guo2, Wei Zhou2
1National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, 210023, China; School of Artificial Intelligence, Nanjing University, Nanjing, 210023, China.
Medical image analysis
|January 18, 2025
概括
这项研究引入了一种ABductive多实例多标签学习 (AB-MIML) 方法,以改善牙科疾病诊断. 在牙科图像中,AB-MIML准确地识别了受影响的区域,其性能优于现有的方法.
科学领域:
- 牙科 牙科是指牙科的专业.
- 机器学习 机器学习
- 医学图像分析 医学图像分析
背景情况:
- 机器学习有助于诊断牙科疾病,但目前的方法难以确定特定受影响的区域.
- 现有的牙周病诊断的两阶段模型缺乏专家级分析所需的精度.
研究的目的:
- 提出一种新的ABductive多实例多标签学习 (AB-MIML) 方法,用于增强牙周病诊断.
- 改进牙科图像,局部贴片和诊断标签之间的关系的建模.
- 整合领域专业知识和图像结构,以便更准确的诊断推理.
主要方法:
- 开发了一个AB-MIML框架,将口内图像视为"袋",贴片视为"实例".
- 增强多实例多标签学习以建立许多对许多对应.
- 整合了专家知识和图像结构的知识库,用于诱导推理.
主要成果:
- 与最先进的方法相比,AB-MIML在诊断牙周病方面表现优越.
- 该方法准确地确定了关键诊断区域,反映了人类专家的评估.
- 实验结果证实了该方法在各种性能指标上的有效性.
结论:
- 拟议的AB-MIML方法显著提高了牙科疾病诊断的准确性.
- 通过吸收推理整合领域知识可以提高机器学习模型的性能.
- 在牙科成像中,AB-MIML有效地弥合了确定特定受影响区域的差距.
