病気や異常の検出を支援する医療画像処理に使用される深層学習モデルなどは、大量のデータを使用してトレーニングする必要があります。ただし、多くの場合、これらのモデルをトレーニングするのに十分なデータが利用できないか、データが多様すぎることが考えられます。

セントルイスにあるワシントン大学マッケルベイ工学部のコンピュータ科学および工学および電気およびシステム工学の准教授であるウルグベク・カミロフ氏は、彼のグループの博士課程の学生であるシリン・シュシュタリ氏、ジアミン・リュー氏およびエドワード・チャンドラー氏とともに、この一般的な問題を回避する方法画像再構成。

チームが発表するのは、結果機械学習に関する国際会議で今月行われた研究の様子 (ICML 2024) オーストリアのウィーンにある。

たとえば、深層学習モデルのトレーニングに使用される MRI データは、さまざまなベンダー、病院、機械、患者、または画像化された身体部分から取得される可能性があります。あるタイプのデータでトレーニングされたモデルを他のデータに適用すると、エラーが発生する可能性があります。これらのエラーを回避するために、チームはプラグ アンド プレイ プライアとして知られる広く使用されている深層学習アプローチを採用し、モデルのトレーニングに使用されたデータのシフトを考慮し、新しい受信データ セットにモデルを適応させました。

「私たちの方法では、トレーニングデータがあまりなくても問題ありません」とシューシュタリ氏は言う。「私たちの方法により、次のような適応が可能になります。深層学習モデル小さなトレーニング データ セットを使用することで、画像がどの病院、どの機械、体のどの部分から取得されたものであるかに関係なく、

「ドメイン適応戦略で重要なのは、データセットが限られているために画像化する際に実際に発生するエラーを削減できることです」とシューシュタリ氏は述べた。「これは、データ要件のために以前は不可能だと考えられていた問題にディープラーニングを適用するのに役立つ可能性があります。」

この方法で提案されている用途の 1 つは、患者が長時間じっと横たわっている必要がある MRI からデータを取得することです。患者が動くとエラーが発生します。

「私たちはMRIからより短い時間でデータを取得することを検討しました」とシュシュタリ氏は語った。「通常、スキャンが短いと画像の品質が低下しますが、私たちの方法を使用すると、計算量を増やすことができます。画質あたかも患者がより長い時間機械の中にいたかのように。私たちの新しいアプローチにおける重要な革新は、既存の MRI モデルを新しいデータに適合させるのに必要な画像が数十枚だけであることです。」

この方法は放射線医学以外にも適用可能であり、チームは他の同僚と協力して、この方法を科学画像処理、顕微鏡画像処理、およびデータを画像として表現できるその他のアプリケーションに導入する予定です。