基于远程学习的原型网络,具有多域适应性,用于少数拍摄的高光谱医疗图像分类

科学领域:

• 医学成像医学成像
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 超光谱成像 (HSI) 通过分析光谱签名为医学诊断提供了潜在的可能性.
• 挑战包括有限的标记数据用于培训和跨数据集的域转移,阻碍了概括.

研究的目的:

• 开发一种基于远程学习的新型原型网络,用于少数拍摄的高光谱医学图像分类.
• 在临床HSI分析中解决数据稀缺和域移动问题.

主要方法:

• 在原型网络中提出了一种类共变性感知Mahalanobis度量,以适应相似度量.
• 引入了一个域意识的适配器块,用于光谱空间表示和域特定特征的动态融合.
• 在皮肤皮肤镜检查,胆固醇检查和体内大脑HSI数据集上得到验证.

主要成果:

• 这种新方法在标签稀缺的情况下证明了增强的原型稳定性.
• 与现有的少数射击网络相比,错误分类显著减少.
• 在三个不同的医疗HSI数据集中取得了出色的表现.

结论:

• 拟议的方法有效地克服了医疗HSI分类中的标签稀缺性和域转移的局限性.
• 在临床工作流程和生物医学研究中为可通用的HSI解决方案铺平了道路.
• 突出了先进机器学习的潜力,用于使用HSI精确检测疾病.