CGNet:对内出血细分的近距离学习
Wanyuan Gong1, Yanmin Luo1, Fuxing Yang2
1College of Computer Science and Technology, Huaqiao University, Jimei Avenue, Xiamen, 361021, Fujian, China; Key Laboratory for Computer Vision and Pattern Recognition, Huaqiao University, Jimei Avenue, Xiamen, 361021, Fujian, China.
概括
本研究介绍了CGNet,这是一种新的深度学习模型,用于使用有限的数据对内出血 (ICH) 进行细分. CGNet显著提高了细分精度,优于现有的少数拍摄和完全监督的方法.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算病理学计算病理学
背景情况:
- 医疗图像细分的深度学习需要大量的注释数据.
- 对内出血 (ICH) 数据集的手动注释是耗时且昂贵的.
- 少数拍摄细分为数据稀缺的医学成像任务提供了一个有前途的解决方案.
研究的目的:
- 开发一种新的几次射击细分模型 (CGNet) 进行有效的内出血 (ICH) 细分.
- 为了应对医学图像分析中有限的注释数据的挑战.
- 为了增强对病变细节的理解,并完善细分精度.
主要方法:
- 将ICH细分任务转化为一个短暂的学习问题.
- 设计的CGNet结合了跨功能模块 (CFM) 以加强查询和支持集之间的功能交互.
- 实施了支持指南查询 (SGQ) 模块,以集成多尺度功能,以进行精细的细分.
主要成果:
- 在BHSD和IHSAH数据集上,CGNet表现出卓越的表现.
- 与最先进的几次射击模型相比,实现了子系数得分提高3%和1.8%.
- 在同等有限的数据上训练时,表现优于完全监督的细分模型.
结论:
- CGNet有效地使用有限的注释数据对内出血 (ICH) 进行细分.
- 拟议的CFM和SGQ模块增强了细分的细节和准确性.
- 在数据有限的场景中,CGNet为传统的全监管方法提供了可行的替代方案.
