深度学习模型的迁移通过超声波扫描仪
IEEE transactions on bio-medical engineering
|April 25, 2025
概括
研究人员使用新的黑子方法将深度学习 (DL) 模型功能转移到超声波机之间. 这种方法实现了98%的准确性,证明了模型的容易部署,但也突出了临床环境中的安全风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 超声波技术 超声波技术 超声波技术
背景情况:
- 由于数据转移,深度学习 (DL) 算法需要对定量超声波 (QUS) 进行校准.
- 转移函数方法在解决这些校准挑战方面表现有前途.
- 在不同的超声波机器之间转移DL模型功能仍然是一个复杂的任务.
研究的目的:
- 开发和验证一个黑子策略,用于在QUS中在不同超声波机器之间传输DL模型功能.
- 为了证明DL模型在各种硬件平台上部署的易度.
- 评估在临床环境中部署DL模型的安全影响.
主要方法:
- 一种黑子无监督域调整技术,将转移函数方法与代方案集成在一起.
- 仅使用输入输出接口和来自目标机器的未标记数据,而无需访问模型内部.
- 在SonixOne数据上训练的DL模型的实验转移到Verasonics机器上.
主要成果:
- 在SonixOne和Verasonics超声波机之间成功转移了DL模型的功能.
- 在目标机器上的二进制决策任务中实现了98%的分类准确度.
- 证明了在QUS中跨机器DL模型部署的可行性.
结论:
- 拟议的方法有助于在不同超声波设备之间无地传输DL模型功能.
- 该研究强调了与在商业临床扫描仪中部署DL模型相关的重大安全风险.
- 强调在医学成像中临床实施DL之前,急需采取强有力的安全措施.
