LivSCP:通过监督的对比预训练改善肝纤维化分类
Yogita Dubey1, Aditya Bhongade1, Punit Fulzele2
1Department of Electronics & Telecommunication Engineering, Yeshwantrao Chavan College of Engineering, Nagpur 441110, India.
Diagnostics (Basel, Switzerland)
|December 30, 2025
概括
一种新的训练方法,LivSCP,使用超声波扫描来增强非侵入性肝纤维化分类. 它在不改变模型架构的情况下实现了最先进的结果,非常适合有限的数据场景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 深度学习模型用于通过超声波进行非侵入性肝纤维化分类.
- 尽管模型架构和培训方法的进步,性能改进却停滞不前.
- 需要复杂的方法来提高分类准确性.
研究的目的:
- 引入LivSCP,一种用于肝纤维化分类的新型培训方法.
- 为了提高分类准确度,超越传统的监督学习 (SL).
- 为具有有限标记数据和计算资源的设置提供解决方案.
主要方法:
- 拟议的LivSCP培训方法用于肝纤维化分类.
- 不需要对现有的网络架构或优化器进行修改.
- 与SL和其他模型的基线视觉变压器进行评估.
主要成果:
- 实现了最先进的性能,98.10%的准确性,精度,回忆和F1分数.
- 在接收器运行特征曲线 (AUROC) 下的面积达到0.9972.
- 在没有改变网络架构的情况下证明了有效性,适合低数据环境.
结论:
- 成功开发了一种培训方法 (LivSCP),用于在低数据和计算环境下对肝纤维化进行分类.
- LivSCP的性能超过了基线和多个模型,建立了最先进的性能.
- 该方法在医疗图像分析中对资源有限的场景具有优势.
