通过深度学习过程和相应的学习策略在超声波图像分类中的有效数据选择

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 转移学习对于医疗图像分类至关重要,但性能通常在有限的数据集下达到平原.
• 现有的方法难以从有限的数据集中最大限度地学习,这阻碍了数据稀缺的医疗应用的进展.
• 在深度学习框架内优化数据选择是克服医疗AI数据限制的关键.

研究的目的:

• 通过优化数据选择,开发和评估一种新的方法来增强医疗图像分类中的转移学习.
• 通过创新的深度学习策略,最大限度地利用现有数据来应对有限数据集的挑战.
• 在医疗成像任务中提高分类准确度,灵敏度,特异性,F1得分和AUC,而不需要额外的数据.

主要方法:

• 这是一个两阶段的方法,包括一个原始分类网络和一个次要的"真实网络".
• 通过共识选择的数据子集训练True网络,共享原始网络的架构,以验证和更正分类.
• 实验使用了ResNet101,视觉转换器和其他预训练网络,对甲状腺结节超声波和皮肤镜像进行了实验.

主要成果:

• 与基线网络相比,拟议的方法在ResNet101上显著改善了所有五个关键性能指标 (准确性,灵敏度,特异性,F1得分,AUC).
• 当将True网络应用于Vision Transformer和各种卷积神经网络架构时,观察到类似的性能增强.
• 该方法在不同的医学成像模式中表现出了强度和适应性,包括超声波和皮肤镜像.

结论:

• 新型数据选择和双网络策略有效地增强了在数据有限的环境中用于医学图像分类的转移学习.
• 这种方法提供了一种可行的解决方案,可以提高诊断准确度,而不需要获取新的或扩展的数据集.
• 这些发现突出了智能数据优化的潜力,以推动AI在医学诊断中的发展.