精心调整的LoRA大型视觉模型用于自动评估SBRT后的肺损伤

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 放射治疗和瘤学
• 深度学习中的计算效率.

背景情况:

• 立体体辐射疗法 (SBRT) 是一种常见的肺癌治疗方法.
• 辐射诱导的肺损伤 (RILI) 是一个重要的副作用,需要准确的诊断.
• 大视觉模型 (LVM) 显示出医学图像分析的前景,但需要高效的微调.

研究的目的:

• 评估低等级适应 (LoRA) 对微调LVMs (DinoV2,SwinV2) 用于RILI诊断的有效性.
• 为了比较LoRA的性能与完全微调和仅推断的方法.
• 评估空间背景 (图像裁剪,2D到3D调整) 对诊断准确性的影响.

主要方法:

• 使用LoRA对DinoV2和SwinV2LVMs进行微调,并进行完整的微调.
• 与仅推理模型的比较.
• 使用剪切的X射线CT扫描图像 (50 mm3,75 mm3) 集中在SBRT同心.
• 采用各种2D到3D适应技术,用于LVM.

主要成果:

• 洛拉实现了与传统的完整微调相美或更高的性能.
• 由于可训练参数较少,LoRA显著降低了计算成本和培训时间.
• 用不同的作物策略和适应方法评估模型对空间环境的敏感性.

结论:

• 洛拉 (LoRA) 提出了一种高效有效的方法,用于微调RILI诊断的LVMs.
• 这种人工智能驱动的方法支持在接受SBRT的肺癌患者的临床决策.
• 这些发现突显了参数有效的微调技术在医学成像技术中的潜力.