EAMF:用于MRI图像分类的透增强的基于注意力的集体度量几拍学习

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 大规模的标记数据集对于MRI图像分类至关重要,但很难获得,特别是对于罕见疾病或由于隐私问题.
• 短暂学习 (FSL) 通过使用最小的培训示例来实现分类来解决数据稀缺问题.
• 基于指标的FSL (MFSL) 依赖于学习歧视性指标,但与有效的类内和类间特征变化作斗争.

研究的目的:

• 提出一种新的Few-Shot Learning (FSL) 方法,即增强的基于注意力的集体度量FSL (EAMF),以增强MRI图像分类中的类别歧视.
• 提高深度特征嵌入在区分类别的有效性,尽管数据有限.
• 根据现有的深度学习模型,评估拟议的EAMF方法的性能.

主要方法:

• 开发了EAMF,结合了补丁智能的图像,以创建额外的特征向量.
• 连接的特征向量与骨干网络嵌入式,用于整体方法.
• 实施了基于类代表性的重量嵌入的注意机制,并评估了三个距离指标.

主要成果:

• 与独立的深度学习模型相比,拟议的EAMF方法在MRI图像分类中表现优越.
• 特征和基于注意力的集体的整合显著改善了阶级歧视.
• 在两个MRI数据集上的实验结果验证了EAMF方法的有效性.

结论:

• 欧洲金融市场基金有效地解决了传统的MFSL的局限性,通过增强特征嵌入来改善阶级歧视.
• 这种新的方法显示了在数据稀缺的情况下改善MRI图像分类的重大前景.
• EAMF为医疗图像分析提供了强大的解决方案,数据可用性是一个限制.