使用自主监督和辅助学习增强切片智能大脑MRI任务

科学领域:

• 医疗图像处理 医学图像处理
• 深度学习 (Deep Learning) 是一种深度学习.
• 人工智能的人工智能

背景情况:

• 医学成像的深度学习需要大型标记数据集,这些数据集的获取是耗时且昂贵的.
• 自主监督学习 (SSL) 通过从未标记的数据中学习提供了一个解决方案,减少了对手工注释的需求.

研究的目的:

• 评估使用脑MRI识别喉瘤 (CPGR) 和检测下丘脑干涉 (DHI) 的SSL方法.
• 引入和评估切片智能规范化 (SWR) 作为一种新的辅助任务,以提高MRI数据上的SSL性能.

主要方法:

• 将监督学习与SSL方法 (SimCLR,DCL,VICReg) 进行比较,然后对脑MRI片进行微调.
• 引入了切片智能规范化 (SWR),这是一个无注释的辅助任务,利用内在的MRI特性.
• 对CPGR和DHI任务的监督学习进行SSL+SWR评估.

主要成果:

• 通过SSL + SWR实现了比监督学习的统计学上显著的改进.
• 通过SSL+SWR,获得了CPGR的80.3 ± 2.4和DHI的82.8 ± 5.0的F1得分.
• 监督学习实现了CPGR的74.4 ± 4.9和DHI的65.4 ± 6.5的F1分数.

结论:

• 结合SWR的SSL是一种非常有效的方法,用于医疗图像分析任务,如CPGR和DHI.
• 拟议的SWR方法通过保留连续的MRI切片的表示,而没有额外的注释,从而增强SSL.
• 这种方法为开发医疗成像中的强大的深度学习模型提供了一个有希望的方向,使用有限的标记数据.