自主监督的特殊原型网络用于胃肠道转成形的几次分级
Xuanchi Chen1, Yonghui Xu2, Zhen Li3
1School of Computer Science and Artificial Intelligence, Shandong Normal University, Jinan, 250358, Shandong, China; Shandong Artificial Intelligence Institute, Qilu University of Technology (Shandong Academy of Sciences), Jinan, 250013, China.
概括
这项研究引入了一种新的自我监督的特殊原型网络 (Swin-EPN),用于准确的胃肠代谢成形 (GIM) 评分. 斯温-EPN模型显著提高了几次射击场景的诊断准确性,有助于早期发现胃癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 胃肠代谢成形 (GIM) 的分级对于早期胃癌诊断至关重要.
- 现有的原型网络面临着多个尺度特征和GIM分级中的特殊情况的挑战.
- 有限的标记内镜图像和隐私问题阻碍了完全监督的学习.
研究的目的:
- 为准确的GIM分级开发一个先进的几次射击学习模型.
- 解决现有方法在处理多尺度特征和特殊GIM案例方面的局限性.
- 为了提高自动化GIM分类的稳定性和准确性.
主要方法:
- 提出了一个自主监督的特殊原型网络 (Swin-EPN),集成一个Swin变压器.
- 设计了三个借口任务,用于自我监督的预训,以学习强大的多尺度特征.
- 引入了一个特殊的原型挖矿模块,以完善类原型和决策边界.
主要成果:
- 斯温-EPN比先进的模型实现了6.12% (1次射击) 和5.61% (5次射击) 的精度改进.
- 该模型在私人GIM数据集上表现出卓越的性能.
- 验证了自我监督学习的有效性和GIM评级的特殊原型挖掘.
结论:
- 斯温-EPN提供了一个强大而准确的解决方案,用于几次射击的GIM分级.
- 提出的方法有效地处理医学图像分析中的多尺度特征和特殊情况.
- 这种方法具有改善早期胃癌诊断的巨大潜力.
