医工互联

 找回密码
 注册[Register]

手机动态码快速登录

手机号快速登录

微信登录

微信扫一扫,快速登录

QQ登录

只需一步,快速开始

查看: 209|回复: 0
收起左侧

迁移学习在医学影像学中的应用

[复制链接]

  离线 

发表于 2022-11-2 00:13:57 来自手机 | 显示全部楼层 |阅读模式 <
(最近在找迁移学习在医学影像学中的应用,总结的一些文章,以便日后阅读,持续更新。。。)

基于核匹配追踪的医学影像学辅助诊断—姚瑶—2009
1.        该文章充分利用源域中具有和目标域同分布的有标签样本,将之迁移至目标域训练样本集中。这些具有标签的样本数量充足,在目标域无标签样本的测试分类中起到了关键的作用。这些样本中大部分样本与目标样本具有不同分布,如何在这些样本中寻找到和源样本同分布并将之迁移到目标样本中是我们需要解决的问题。基于迁移核匹配追踪的医学影像辅助诊断算法,首先采用核匹配追踪思想中贪婪逼近残余方法,在源域中目标训练样本将源域中同分布的样本寻找出来。如果训练样本和目标标签样本相匹配。则将其加入到训练目标域中。反之则不选择该样本。基于核匹配追踪的迁移学习算法采用贪婪逼近残余( GAR )将匹配样本选出加入到目标域中。
2.        乳腺X影像实验----识别乳腺癌
a)        样本集:将图像数据分为训练集和测试集两部分,其中训练集由 900 个样本组成,其中 300 个病例样本和600 个正常样本,测试集由 150 个样本组成,其中50 个病例样本和 100 个正常样本数据组成。针对基于核匹配追踪的迁移学习识别方法(TLKMP )设定测试集 150 个样本作为目标域中无标签样本,训练集合中前250个正样本和前 500 个负样本作为源域有标签样本,而后50 个正样本和后 100 个负样本作为目标域有标签样本。
b)        结论:在不同训练和测试样本之比下,TLKMP 法在具有相同测试样本数目前提下训练样本经过迁移后测试总样数减少,然而识别率却有明显提高,这说明采用基于核匹配追踪迁移学习方法,使得医学影像的识别率有所提高,增强了影像处理方法的泛化能力。
3.        CT胃癌淋巴结影响实验----预测胃癌淋巴结转移癌预后
a)        数据集:某肿瘤医院实测 CT 胃癌淋巴结影像数据库。从数据库中得到非平衡数据:共98个样本用于实验。31个手术切除淋巴结无转移样本,67个手术切除淋巴结有转移样本。其中手术切除淋巴结作为弱势样本,手术切除淋巴结作为强势样本。训练样本83个样本,其中无迁移样本26个,有转移样本57个;测试样本共15个样本,其中无转移样本5个,有转移样本10个。训练/测试比例为83:15。
b)        结论:基于迁移学习的匹配追踪方法在训练集与测试识别率高,同时需要的训练样本数目少。该方法明显提高了诊断识别率。
 
基于迁移学习的2-D MRI胰腺分割—吴蛟龙—2014
1.        本文目的在于快速识别胰腺MRI图像,确定界限以帮助解决手术中肿瘤切除不彻底和术后并发症等问题。
2.        提出了一种基于字典迁移学习的腹部MRI序列图像分割方法,通过对目标区域和背景区域分别进行训练学习,得到目标和背景字典,分别对后续待处理的图像进行重构误差逼近,得到相应的目标区域,同时,对字典进行更新,实现了更加鲁棒的胰腺分割。
 
基于迁移学习的多模态脑图像分析及其应用研究—程波---2015
1.        本文提出的多模态领域迁移学习方法用于识别MCI转化为AD病人的性能。
2.        本文借助多任务学习与领域迁移学习,建立了领域迁移学习特征选择(DTFS}、多模态领域迁移学习样本选择(DTSS}、多模态领域迁移学习支持向量机(DTSVM}。采用相关学习领域做为辅助领域知识,在多模态特征MRI, FDG-PET, CSF的ADNI数据集上测试该算法用于分类MCI病人的性能。实验结果表明,所提出的DTFS特征选择算法能选出有效的特征子集,DTS S能移除不相关的、带噪声的样本,DTSVM能完成较好的分类性能。
3.        数据集:来源于ADNI数据集的MRI图像数据,PET图像数据等。
 
基于迁移学习的计算机辅助肺结节检测研究---林永锋--2013
1.        木文的研究重点是迁移学习在肺结节辅助检测中的应用。分别用了基于不同的分类器(SVM,  KNN)的TrAdaBoost 算法(TrAdaBoost(SVM),  TrAdaBoost(KNN))、基于SVM, KNN的AdaBoost算法(AdaBoost(SVM), AdaBoost(KNN))在构建肺部 CT图像特征空间上进行实验。通过实验可以发现,迁移学习可以在肺部数据中使用,同时可以提高肺结辅助检测的分类准确率。具体内容如下:
 (1)针一对肺部CT图像多样性、复杂性等特征,结合SVM在有限训练样本产生的分类器训练误差小、高维特征空间中效率高的特点以及KNN执行效率高并且在肺结节检测性能较优的特点。提出了基于AdaBoost的肺结节检测算法,利用SVM,KNN作为基本分类器,通过实验调整分类算法中的参数,较好解决了单一分类算法检测性能低、鲁棒性不高等问题。
 (2)针对传统分类算法在肺结节检测中整体识别率低、无法利用数据分布不同的肺部辅助训练集等问题,提出了基于迁移AdaBoost的肺结节检测算法。分别选择SVM,KNN分类器作为TrAdaBoost的基本学习算法,实现了辅助训练集中的样本迁移,提高了目标数据分类模型的检测性能,分类准确率提高了1 %-6% o
 (3)利用上述研究成果,设计并完成了基于迁移学习的计算机辅助肺结节检测系统。
2.        基于实例的迁移学习、基于特征的迁移学习
 
基于迁移学习的胃部CT序列图像ROI区域提取—王云利—2013
1.        为了减少序列图像分割的交互次数,提出了一种基于种子点迁移生长的胃部cT序列图像分割方法。对于同一个人的cT序列,只需在第一幅图的目标内人工选择若干种子点便可实现整个序列的目标提取;根据已知的种子点和阈值,通过对原图进行二值化来完成全局范围内相似点的搜索,提高了分割的速度;迁移前一幅分割结果的中心及其N邻域点到相邻的下一幅图中作为种子点,相比传统的区域生长方法,克服了欠分割的现象。
2.        基于序列图像中目标区域的相似性,提出了一种基于轮廓迁移演化的胃部CT序列图像的分割方法。针对胃部CT图像中目标边缘较弱,现有的主动轮廓模型进行序列分割时常会出现“边缘泄露”问题,本方法将区域模型和边缘模型进行了结合,同时将前一幅图像的目标轮廓进行区域生长后迁移到下一幅图中作为其初始轮廓,减少迭代次数使分割速度加快,同时提高了分割的准确性。
 
基于字典迁移学习的胃部CT序列图像联合分割—马丽敏----2013
1.        提出基于字典迁移的联合分割方法,将字典学习和迁移学习两种思想结合在一起,在字典学习的基础上通过迁移CT图像序列中目标区域变化大的部分来更新字典,增强了字典的描述能力和完备性,从而避免了图像序列间的变化差异带来的分割不准确的问题。


Identifying Medical Diagnoses and Treatable iseasesby Image-Based Deep Learning--Kang Zhang—2018
1.        目标:利用迁移学习识别视网膜(OCT)图像中的类别,同时也用迁移学习测试了胸部X光片的肺炎识别。
2.        该论文首次使用如此庞大的标注好的高质量数据进行迁移学习,来建立人工智能系统。
基于光学相干断层成像(OCT)数据有效进行图像黄斑变性和糖尿病视网膜黄斑水肿的识别和严重性定量评估;准确区分患儿胸部X光片上的细菌和病毒性肺炎(差异性分析和准确判断)




来源:https://blog.csdn.net/sinat_39356629/article/details/79915366
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!
回复

使用道具 举报

提醒:禁止复制他人回复等『恶意灌水』行为,违者重罚!
您需要登录后才可以回帖 登录 | 注册[Register] 手机动态码快速登录 微信登录

本版积分规则

发布主题 快速回复 收藏帖子 返回列表 客服中心 搜索
简体中文 繁體中文 English 한국 사람 日本語 Deutsch русский بالعربية TÜRKÇE português คนไทย french

QQ|RSS订阅|小黑屋|处罚记录|手机版|联系我们|Archiver|医工互联 |粤ICP备2021178090号 |网站地图

GMT+8, 2024-11-22 08:25 , Processed in 0.251111 second(s), 62 queries .

Powered by Discuz!

Copyright © 2001-2023, Discuz! Team.

快速回复 返回顶部 返回列表