MDAL:基于模式差异的积极学习,通过对比学习和点向点的相互信息来进行多式医疗图像分析
Haoran Wang1, Qiuye Jin1, Xiaofei Du1
1Digital Medical Research Center, School of Basic Medical Sciences, Fudan University, Shanghai 200032, China; Shanghai Key Laboratory of Medical Image Computing and Computer Assisted Intervention, Shanghai 200032, China.
概括
本研究引入了一种新的主动学习框架,即多式联络深度主动学习 (MDAL),以降低多式联络医疗图像的注释成本. MDAL有效地识别了信息样本,大大降低了医疗图像分析中标记数据的需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 多模式医学图像为诊断提供了补充信息.
- 深度学习需要大型标记数据集,但注释是昂贵的,特别是对于多式联络数据.
- 现有的积极学习方法与多式联络医疗图像注释的复杂性作斗争.
研究的目的:
- 开发一种新的主动学习框架,以最大限度地降低多式联络医疗图像分析的注释成本.
- 量化和利用模式差异,以实现有效的样本选择.
- 为了能够在没有初始标记数据的情况下进行一次性信息样本选择.
主要方法:
- 提出了一个多模式深度主动学习 (MDAL) 框架.
- 量化样本智能的模式差异,通过多式模式对比学习使用点性相互信息.
- 引入了两个采样策略:MaxMD和DiverseMD,基于模式差异.
主要成果:
- 在脑质瘤,脑膜瘤和卵巢癌数据集上,MDAL显著优于先进的积极学习竞争对手.
- 实现了99.6%,99.9%和99.3%的完全监督性能,分别仅使用了20%,20%和15%的标记样本.
- 证明了在没有初始标记数据的情况下,一次性选择信息样本的能力.
结论:
- 在多式联络医疗图像分析中,MDAL有效降低了注释成本.
- 该框架显示了在多式联络医疗数据分析中更广泛应用的巨大潜力.
- 在医学成像中,MDAL提供了一种具有成本效益的解决方案,用于利用深度学习.
