在Unet上基于LoRA的方法用于转移学习在动脉瘤子arachnoid血瘤细分中的转移学习
Cristian Minoccheri1, Matthew Hodgman2, Haoyuan Ma3
1Gilbert S. Omenn Department of Computational Medicine and Bioinformatics, University of Michigan, 1109 Geddes Avenue, Arbor, MI, 48104, USA. minoc@umich.edu.
BMC medical imaging
|December 26, 2025
概括
使用低级适应 (LoRA) 方法进行转移学习,与标准微调相比,可以显著改善动脉瘤下关节出血 (SAH) 的自动细分. 新的DoRA变种显示出卓越的准确性,特别是在小出血,使得更好的诊断工具.
科学领域:
- 医学图像分析和深度学习.
- 神经紧急诊断神经紧急诊断.
- 计算机神经成像.
背景情况:
- 动脉瘤下关节出血 (SAH) 是一种具有高死亡率的危急疾病.
- 使用深度学习的自动SAH细分面临着数据稀缺和泛化问题.
- 转移学习和像LoRA这样的参数效率方法在SAH方面尚未得到充分探索.
研究的目的:
- 为了评估创伤性脑损伤 (TBI) 的转移学习,CT扫描用于动脉瘤SAH细分.
- 调查低等级适应 (LoRA) 方法的有效性,包括新的CP-LoRA和DoRA变体,用于SAH细分.
- 将这些方法与标准微调在Unet架构上进行比较.
主要方法:
- 在多机构TBI CT数据上实施了预先训练的UNET模型.
- 在动脉瘤SAH数据上的模型使用三重交叉验证进行了微调.
- 开发和比较新的CP-LoRA和DoRA变体与现有的LoRA方法和标准微调.
主要成果:
- 所有转移学习方法的表现都超过了没有微调的表现 (平均子0.410).
- 基于LoRA的方法,特别是排名第64的DoRA-C,实现了最高的性能 (Dice 0.572).
- 随着更大的出血量,细分精度得到改善;更高的等级 (64-96) 提高了性能.
结论:
- 血液瘤类型之间的转移学习对于SAH细分是可行的和有效的.
- 基于LoRA的方法,特别是DoRA变体,显著优于传统的Unet微调.
- 像CP-LoRA这样的新方法提供了参数效率,更高的等级可能有利于临床应用.
