在多窗口胸部计算机断层扫描上进行隐私意识的持续自我监督学习,以获得域移动稳定性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像分析面临挑战,因为注释数据有限和域移动,特别是在胸部CT扫描中,窗口设置各不相同.
• 现有的持续自主监督学习 (CSSL) 方法通常需要重复使用过去的数据,由于数据隐私问题,这是不切实际的.

研究的目的:

• 开发一种新的CSSL框架,用于从多窗口胸部CT图像中进行强大的特征学习,同时确保数据隐私.
• 通过创新的持续预培训策略,解决医疗图像诊断中的灾难性遗忘和领域转移问题.

主要方法:

• 在CSSL中实施了基于反复播放的潜在机制,以减轻在持续预训练期间的遗忘,并保持数据隐私.
• 引入了一个特征蒸技术,结合了瓦斯斯坦基于距离的知识蒸和批量知识组合,以实现强大的表示学习.
• 在不同的窗口设置中利用未标记的胸部CT图像进行持续的预训练.

主要成果:

• 拟议的框架在从胸部CT图像中学习有意义的,域移动-强大的表征方面表现出卓越的性能.
• 在训练阶段有效地捕捉了先前学到的知识和新信息之间的关系,减轻了领域转移的影响.
• 验证了多窗口胸部CT数据的方法,优于现有方法.

结论:

• 新的CSSL框架为强大的医疗图像分析提供了一个保护隐私的解决方案,特别是在具有不同窗口设置的胸部CT扫描中.
• 隐性重复和特征蒸的整合增强了模型的概括性和对域移动的弹性.
• 这种方法通过解决数据稀缺和隐私限制,促进了医疗保健中可靠的人工智能模型的开发.