互动图像选择和训练用于脑瘤细分网络

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 用于医学成像的深度学习

背景情况:

• 医疗图像细分至关重要,但需要广泛的注释数据来进行深度学习模型.
• 由于大小和形状的变化,诸如脑瘤等多种病理存在挑战.
• 传统的深度学习方法需要大量的计算资源和大量的数据集.

研究的目的:

• 开发一个交互式的,由专家指导的图像选择和培训方法,用于医疗图像细分.
• 利用从图像标记器 (FLIM) 的特征学习方法来进行高效的模型培训.
• 减少在医疗图像细分任务中对大型,完全注释的数据集的依赖.

主要方法:

• 基于专家的意见,实施一个交互式系统来选择培训图像.
• 从图像标记器 (FLIM) 应用特征学习方法来训练没有反向传播的卷积层.
• 使用一个小的,交互选择的图像集来训练U形网络的编码器.

主要成果:

• 提出的基于FLIM的交互式方法实现了与手动图像选择相美的性能.
• 该方法成功地训练了一个U形网络编码器,使用了最小的数据集.
• 经过训练的模型超越了使用所有可用的图像进行反向传播的U形网络的性能.

结论:

• 交互式图像选择与FLIM相结合,为训练医学图像细分模型提供了一个有效的替代方案.
• 这种方法大大减少了对大型注释数据集的需求,使深度学习更容易用于各种医学成像应用.
• 该方法展示了将专家知识纳入深度学习管道中的潜力,以提高效率和性能.