通过解特征查询学习通用医学图像表示

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗图像通常从不同的临床中心使用各种类型的扫描仪获取,导致跨领域分布的显著差异.
• 深度学习模型可以表现出道冗余性,在这种情况下,类似的模式被多个道捕获,并且在同一道内存在不同的跨域模式.
• 这种冗余性限制了学习表达的表达力,阻碍了医学图像分析中的概括能力.

研究的目的:

• 提出一个新的解特征作为查询 (DFQ) 框架,用于域概括医疗图像表示学习.
• 在从多中心,多扫描仪医疗图像数据中学习时,解决深度网络中道冗余的挑战.
• 提高医疗图像分析模型在不同领域的概括能力.

主要方法:

• 拟议的脱功能作为查询 (DFQ) 框架利用了道智能脱的深度功能作为查询.
• 引入了具有受限制异面度的深实例美白转换,以强制解通道之间的正交.
• 解的深层和浅层特征之间的远程依赖被隐含地限制,以尽量减少训练期间的道冗余.

主要成果:

• 该DFQ框架展示了医疗成像领域泛化任务的最先进性能.
• 对三个不同的医学领域概括任务进行了实验.
• 该框架使用四种不同的医学成像模式进行了评估,展示了其多功能性.

结论:

• 拟议的DFQ框架有效地减轻了用于医疗图像分析的深度表示中的通道冗余.
• 这种方法显著提高了模型在各种医学成像领域和扫描仪类型的概括能力.
• 这些发现表明,在现实世界的临床环境中,对强大的医学图像表示学习有希望的方向.