设为首页 - 加入收藏 温州站长网 (https://www.0577zz.com)-电商,营销推广,科技,建站经验,云计算,5G,大数据,站长网!
热搜: 优化 为什么 什么 官方
当前位置: 首页 > 运营中心 > 产品 > 正文

医学影像AI如何需要小样本学习和域自适应技术?

发布时间:2021-06-11 11:06 所属栏目:[产品] 来源:互联网
导读:郑冶枫指出,从本质上来看,影像诊断是一个计算机视觉问题,理想情况下将计算机视觉成熟技术搬过来就可以,但影像诊断往往还存在很多独特的行业性问题。 第一,数据量少(缺乏训练数据),对AI算法团队来说是一个难题。因为缺乏数据样本,数据来源和标注问

郑冶枫指出,从本质上来看,影像诊断是一个计算机视觉问题,理想情况下将计算机视觉成熟技术搬过来就可以,但影像诊断往往还存在很多独特的行业性问题。

第一,数据量少(缺乏训练数据),对AI算法团队来说是一个难题。因为缺乏数据样本,数据来源和标注问题都很大,医学影像需要专业医生标注,而培养一个专业医生需要十年以上的时间。

第二,算法跨中心泛化能力差。开发一个疾病/场景,与一家医院做深度捆绑、利用数据进行交叉验证后,能得到比较理想的结果。但如果把这个算法部署到另外一家医院,准确率会相差很大。

第三,准确度要求高,医疗是一个严谨的场景,所有的诊断建议都可能对病人健康产生直接影响。

在第一个问题上,郑冶枫博士提出,迁移学习是一个很好的方式,可以将某个任务(源域)上训练好的模型迁移到另一个任务(目标域)。而为了获取更多的医学数据、积少成多,郑冶枫博士团队提出了Med3D:共享编码器的多任务分割网络,在大量异质的公开数据集上预训练,然后迁移到其它任务,并且进行了开源输出。

当然,除了Med3D,郑冶枫博士团队还提出了基于魔方变换的自监督学习,在预训练阶段不需要人工标定,从而减少大量的时间成本。

另外一方面,为了解决域偏移的问题,他们还提出了新型无监督域自适应(UDA)的方法,来缓和域偏移所导致的性能下降。该方法仅仅需要源域的数据、标注以及目标域的部分图像,无需目标域的标注,即可实现两个领域的自适应。在演讲中,他以VideoGAN: 视频风格转换以及OP-Net: 基于单张图像的风格转换的两个案例进行了说明。

【免责声明】本站内容转载自互联网,其相关言论仅代表作者个人观点绝非权威,不代表本站立场。如您发现内容存在版权问题,请提交相关链接至邮箱:bqsm@foxmail.com,我们将及时予以处理。

网友评论
推荐文章