深度学习模型，例如医学成像中用于帮助检测疾病或异常的模型，必须使用大量数据进行训练。然而，通常没有足够的数据来训练这些模型，或者数据过于多样化。

圣路易斯华盛顿大学麦凯尔维工程学院计算机科学与工程以及电气与系统工程副教授 Ulugbek Kamilov 与他的团队的博士生 Shirin Shoushtari、Jiaming Liu 和 Edward Chandler 开发了一种解决这个常见问题的方法图像重建。

该团队将展示结果本月国际机器学习会议上的研究（ICML 2024）在奥地利维也纳。

例如，用于训练深度学习模型的 MRI 数据可能来自不同的供应商、医院、机器、患者或身体部位的成像。在一种数据上训练的模型在应用于其他数据时可能会引入错误。为了避免这些错误，该团队采用了广泛使用的深度学习方法，称为即插即用先验，解释了训练模型所用的数据的变化，并使模型适应新的传入数据集。

“使用我们的方法，即使没有大量训练数据也没关系，”Shushtari 说。“我们的方法能够适应深度学习模型使用一小组训练数据，无论图像来自哪家医院、什么机器或身体部位。

Shoushtari 说：“域适应策略的重要意义在于，我们可以减少由于数据集有限而导致的成像错误。”“这可以帮助我们将深度学习应用于以前因数据要求而被认为不可能解决的问题。”

这种方法的一个拟议用途是从 MRI 中获取数据，这需要患者长时间保持静止不动。患者的任何动作都会导致错误。

“我们考虑在更短的时间内从核磁共振成像中获取数据，”舒什塔里说。“虽然较短的扫描通常会导致图像质量较低，但我们的方法可用于通过计算来提高图像质量图像质量就好像病人在机器里呆了更长时间一样。我们新方法的关键创新在于，它只需要数十张图像即可使现有 MRI 模型适应新数据。”

该方法还适用于放射学之外的领域，该团队正在与其他同事合作，将该方法应用于科学成像、显微成像和其他数据可以表示为图像的应用。