埃斯卡西蒂斯:在可训练样本稀缺的情况下提高医疗图像分类性能的框架情景
Tianxiang Wang1, Qun Dai1, Wei Xiong2
1College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics, Nanjing, 211106, China; Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education, Nanjing, 211106, China.
概括
本研究介绍了EScarcityS,这是一个框架,用于改善医疗图像分析的深度学习,当数据稀缺时. 它生成合成数据,以提高在具有挑战性的临床场景中疾病诊断的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 医学图像采集和注释具有挑战性,导致深度学习模型的可训练样本有限.
- 数据稀缺性阻碍了临床应用中的深度学习的性能,影响了疾病诊断.
- 基于变压器的网络需要大量的数据,这对医学图像分析构成了挑战.
研究的目的:
- 开发一个框架 (EScarcityS),在医疗图像数据有限的场景中提高疾病诊断成功率.
- 为了减少医疗成像中基于变压器的深度学习网络的数据要求.
- 为增强培训数据集生成现实和可解释的合成医疗数据.
主要方法:
- 一个多颗粒度变压器网络 (MGVit) 旨在提取不同颗粒度的特征表示,并结合先前的知识来减少数据需求.
- 来自MGVit的重要性地图被合并以创建疾病概率地图,指导合成数据创建的扩散生成模型.
- 真实和合成数据被结合起来,重新训练MGVit,提高医学图像分类的准确性.
主要成果:
- 在有限的数据场景中,EScarcityS框架证明了提高疾病诊断的有效性.
- 多细分化方法和合成数据生成显著改善了模型性能.
- 在四个真实医疗图像数据集上的实验验验证了EScarcityS及其组件的有效性.
结论:
- EScarcityS有效地解决了医疗图像分析中数据稀缺的挑战.
- 拟议的方法提高了疾病诊断的深度学习模型的准确性和稳定性.
- 这一框架为在资源有限的环境中开发人工智能驱动的诊断工具提供了一个有希望的解决方案.
