具有可解释性的转移学习:使用有限数据集在CT和MR中的肝脏细分.
概括
本研究介绍了一种转移学习解决方案,用于使用CT和MR图像上的深度学习 (DL) 来对肝脏进行细分,克服数据限制. 该方法有效地训练模型,在数据和时间资源稀缺时提供可靠的替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在计算机断层扫描 (CT) 和磁共振成像 (MR) 中用于肝脏细分的深度学习 (DL) 需要大量的数据.
- 获取用于医学成像任务的大型数据集往往具有挑战性和资源密集.
研究的目的:
- 通过利用转移学习,开发一个有效的深度学习模型,用于CT和MR肝脏外围细胞细分.
- 为了解决医疗图像细分中的数据稀缺问题.
- 通过可解释的人工智能 (XAI) 提高模型透明度和可信度.
主要方法:
- 使用了UNet架构与转移学习,从一种模式对公开可用的数据进行培训,并对有限的目标域数据进行微调.
- 将性能与膜细分的2D扩散模型进行了比较.
- 集成可解释的人工智能 (XAI) 技术来解释模型预测.
主要成果:
- 在CT肝脏细分测试中获得了90.01%的平均测试Dice分数.
- 在MR肝脏细分测试中获得了79.05%的平均Dice得分.
- 证明转移学习有效地减少了对广泛数据集和资源密集型模型的需求.
结论:
- 转移学习为开发CT和MR肝脏细分模型提供了可行和高效的解决方案,特别是在数据限制下.
- 拟议的方法为时间和数据资源有限的场景提供了实用方法.
- 纳入XAI可以提高细分模型的可解释性和可靠性.


