增量学习方法用于皮肤组织学图像的语义细分

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 皮肤癌诊断的深度学习模型与新型数据作斗争,限制了临床应用.
• 现有模型在遇到训练分布之外的数据时表现下降.
• 坚固性和概括性对于可靠的皮肤癌细分和分类至关重要.

研究的目的:

• 开发一种增量学习框架,用于皮肤癌细分中的基于变压器的深度学习模型.
• 提高模型对新数据和不同放大级别的概括性和稳定性.
• 在渐进式数据集成过程中,在深度学习模型中减轻灾难性遗忘.

主要方法:

• 在皮肤癌分类和细分方面实施了一种生物启发的增量学习策略.
• 该框架允许逐步纳入新数据,包括不同的放大级别 (10×,5×,2×).
• 整合了多个损失功能,以平衡知识保留和适应新数据.

主要成果:

• 增量学习框架在数据集中显示出一致的性能改进.
• 精度达到89.05%的10×放大, 92.68%的10×和5×组合,和95.53%的10×,5×和2×放大.
• 提出的方法显著提高了皮肤癌分类任务的经验概括性.

结论:

• 增量学习框架提高了用于皮肤癌诊断的深度学习系统的适应性和可靠性.
• 这种方法解决了深度学习模型中灾难性遗忘的挑战.
• 这些发现支持可适应深度学习模型的临床实用性,用于各种皮肤学成像场景.