深度學習模型,例如醫學影像中用於幫助檢測疾病或異常的模型,必須使用大量資料進行訓練。然而,通常沒有足夠的數據來訓練這些模型,或者資料過於多樣化。
聖路易斯華盛頓大學麥凱爾維工程學院電腦科學與工程以及電機與系統工程副教授 Ulugbek Kamilov 與他的團隊的博士生 Shirin Shoushtari、Jiaming Liu 和 Edward Chandler 開發了一種解決這個常見問題的方法影像重建。
該團隊將展示結果本月國際機器學習會議上的研究(ICML 2024)在奧地利維也納。
例如,用於訓練深度學習模型的 MRI 資料可能來自不同的供應商、醫院、機器、患者或身體部位的影像。在一種資料上訓練的模型在應用於其他資料時可能會引入錯誤。為了避免這些錯誤,該團隊採用了廣泛使用的深度學習方法,稱為即插即用先驗,解釋了訓練模型所使用的資料的變化,並使模型適應新的傳入資料集。
「使用我們的方法,即使沒有大量訓練資料也沒關係,」Shushtari 說。“我們的方法能夠適應深度學習模型使用一組訓練數據,無論圖像來自哪家醫院、什麼機器或身體部位。
Shoushtari 說:“域適應策略的重要意義在於,我們可以減少由於數據集有限而導致的成像錯誤。”“這可以幫助我們將深度學習應用於以前因數據要求而被認為不可能解決的問題。”
這種方法的一個建議用途是從 MRI 中獲取數據,這需要患者長時間保持靜止不動。患者的任何動作都會導致錯誤。
「我們考慮在更短的時間內從核磁共振成像中獲取數據,」舒什塔里說。「雖然較短的掃描通常會導致影像品質較低,但我們的方法可用於透過計算來提高影像品質影像品質就好像病人在機器裡待了更長時間。我們新方法的關鍵創新在於,它只需要數十張圖像即可使現有 MRI 模型適應新數據。
該方法也適用於放射學以外的領域,該團隊正在與其他同事合作,將該方法應用於科學成像、顯微成像和其他數據可以表示為影像的應用。
更多資訊:Shoushtari S、Liu J、Chandler EP、Asif MS、Kamilov US。PnP-ADMM 中的先驗失配和自適應以及非凸收斂分析。國際機器學習會議,2024 年 7 月 21 日至 27 日。icml.cc/虛擬/2024/海報/34765
原始碼可以在 GitHub 上找到:github.com/wustl-cig/MMPnPADMM
引文:深度學習模型可以用有限的資料進行訓練:新方法可以減少計算成像中的錯誤(2024 年,7 月 26 日)檢索日期:2024 年 7 月 26 日來自 https://techxplore.com/news/2024-07-deep-limited-method-errors-imaging.html
本文檔受版權保護。除了出於私人學習或研究目的的任何公平交易外,不得未經書面許可,不得複製部分內容。所提供的內容僅供參考。