用于神经图像分析的域随机化深度学习:选择训练策略,应对挑战,并最大限度地提高收益

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 深度学习模型在神经图像分析中提供了高速度和准确性.
• 由于脉冲序列和硬件的变化,有限的训练数据集阻碍了模型的稳定性和通用性,特别是在磁共振成像 (MRI) 中.
• 现有的模型在与不同的图像外观作斗争,需要对新数据进行重新训练或微调.

研究的目的:

• 审查神经图像分析中的深度学习模型的合成驱动培训的原则,实施和潜力.
• 突出域随机化的好处,以改善模型的概括性和抗过拟合性.
• 讨论采用合成驱动培训的实际考虑,以使深度学习更容易获得.

主要方法:

• 使用域随机化策略,在具有随机强度和解剖内容的合成图像上训练深度神经网络.
• 从解剖细分图表生成各种训练数据.
• 评估方法在各种成像模式 (MRI,CT,PET,OCT) 和超越神经成像 (超声波,显微镜,X射线显微镜) 的有效性.

主要成果:

• 合成驱动的训练范式使模型能够准确地处理未见的图像类型,而无需重新训练或微调.
• 在多种成像模式和科学成像应用中证明了有效性.
• 关键的好处包括改进的概括性和增强的抗过度装配的抵抗力.

结论:

• 合成驱动的训练,特别是域随机化,显著提高了医学成像中的深度学习模型的概括性.
• 这种方法允许模型在不同的扫描仪和序列中适应不同的图像外观,从而减少了大量再培训的需要.
• 该技术有望为具有有限计算资源的领域专家开发更容易访问和更强大的深度学习工具.