通过基于游戏理论的域选择来增强医疗图像细分的概括性
Zuyu Zhang1, Yan Li2, Byeong-Seok Shin2
1Key Laboratory of Big Data Intelligent Computing, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Journal of biomedical informatics
|March 6, 2025
概括
这项研究引入了一种用于医疗图像细分的新型游戏理论方法,增强了跨不同数据集的模型概括性. 该方法提高了对域位移的稳定性,从而在诸如多和前列腺细分等任务中提高了性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医疗图像细分模型由于成像,解剖学和人口统计学方面的差异而难以概括.
- 现有的域泛化方法往往忽视了跨域的性能平衡,限制了有效性.
- 低于最佳的泛化阻碍了AI在各种临床环境中的可靠应用.
研究的目的:
- 开发一种新的方法来改善医疗图像细分模型的概括性.
- 通过使用游戏理论来增强模型适应性和对域移动的稳定性.
- 为了在不同的医学成像数据集中实现平衡的性能.
主要方法:
- 将训练过程建模为零和游戏,以达到纳什平衡.
- 实施由Beta分布指导的自适应域选择方法.
- 优化适应性选择使用强化学习进行动态调整.
主要成果:
- 拟议的方法证明了对基准数据集的概括性能有所改善.
- 与现有方法相比,实现了1.75%的平均子得分改善.
- 成功应用于多体,光杯/光盘和前列腺细分任务.
结论:
- 基于游戏理论的方法显著提高了医疗图像细分模型的概括能力.
- 适应性域名选择对于保持性能平衡和稳定性至关重要.
- 这种方法为开发医疗成像中更可靠的AI工具提供了有希望的方向.
