用重权矩阵匹配策略进行医学图像分析的类意识的多源域调整算法
Huiying Zhang1, Yongmeng Li2, Lei He3
1Department of Thoracic Surgery, Qilu Hospital of Shandong University, Jinan, Shandong, China.
PloS one
|July 23, 2025
概括
本研究介绍了一种新的Class-Aware多源域适应算法 (CAMSDA-RMM),通过解决类转移来改进医疗图像分析. 该方法提高了复杂的医疗数据集的转移学习效率.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 多源域适应 (MSDA) 增强了使用多个数据源的转移学习,有利于复杂的医疗应用.
- 现有的MSDA方法通常假设相同的类分布,忽视了真实世界医学数据中类转移的关键问题.
研究的目的:
- 提出一种基于重量化矩阵匹配策略 (CAMSDA-RMM) 的新类意识多源域适应算法.
- 为了应对MSDA中阶级转移的挑战,以改善医疗图像分析.
- 为了增强积极的转移效应,并优化源域贡献.
主要方法:
- 制定了意识到阶级的战略,以加强相似阶级之间的积极转移.
- 应用一级和二级时刻匹配,以实现有效的源和目标域对齐.
- 实施了自适应权重机制,以优化每个源域的贡献.
主要成果:
- 拟议的CAMSDA-RMM算法在分类准确性和域适应性方面表现出卓越的性能.
- 在四个公共胸部X射线数据集上的实验验证证证了该方法的有效性.
- 该方法成功地减轻了多源域适应设置中的类转移的影响.
结论:
- 在医学成像中,CAMSDA-RMM为多源域适应提供了一个强大的解决方案,特别是当类分布不同时.
- 拟议的方法提高了AI模型在复杂的医学诊断任务中的可靠性和准确性.
- 这项工作通过在多源场景中明确处理类转移来推进域适应领域.
