在医学图像分类中的一般化类别发现的邻居指导的公正框架

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 机器学习 机器学习

背景情况:

• 一般化类别发现 (GCD) 旨在识别超出培训数据中的新语义类别.
• 现有的GCD方法在医学成像中缺乏用于疾病识别的应用,并且遭受了对视觉类别的预测偏差.
• 这种偏见导致医疗诊断任务中集群性能不足.

研究的目的:

• 解决医疗图像分析当前GCD方法的局限性.
• 开发一个框架,减轻预测偏差,并改善新疾病类别的发现.
• 为了提高医疗图像自动疾病识别的准确性和可靠性.

主要方法:

• 提出了一个以邻居为指导的公正框架 (NGUF),用于医疗任务中的通用类别发现.
• 引入了一个以邻居为指导的交叉伪集群策略,利用最近邻居的信息来调整预测并创建公正的监督.
• 实施了样本标记的视图不变学习策略和用于动态预测调整的自适应权重学习策略.
• 整合了一个跨批量知识蒸模块,以提高培训的一致性.

主要成果:

• NGUF有效地减轻了医疗图像一般化类别发现中的预测偏差.
• 拟议的框架在四个医学图像数据集上展示了与最先进的GCD算法相比的优越性能.
• 实验结果验证了NGUF在改善新类疾病发现方面的有效性.

结论:

• 在医学成像中,NGUF提供了一种新且有效的方法,用于在医学成像中进行无偏的通用类别发现.
• 该方法显著改善了以前未知的疾病类别的识别,有助于疾病的理解和诊断.
• 这一框架代表了将GCD应用于关键医学诊断挑战的实质性进展.