深度学习模型可以用有限的数据进行训练：新方法可以减少计算成像中的错误
深度学习模型（例如用于帮助检测疾病或异常的医学成像模型）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。华盛顿大学圣路易斯分校麦凯维工程学院计算机科学与工程副教授和电气与系统工程副教授 Ulugbek Kamilov 与其团队的博士生 Shirin Shoushtari、Jiaming Liu 和 Edward Chandler 开发出了一种方法来解决图像重建中这个常见问题。
该团队将于本月在奥地利维也纳举行的国际机器学习会议（ICML 2024 ）上展示该研究成果。
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。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，即即插即用先验，考虑了训练模型的数据变化，并使模型适应新的传入数据集。
“使用我们的方法，即使没有大量的训练数据也没关系，”Shoushtari 说道。“我们的方法能够使用一小组训练数据适应深度学习模型，无论图像来自哪家医院、哪种机器或身体的哪个部位。
“领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，”Shoushtari 说。“这可以帮助我们将深度学习应用于以前由于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 获取数据，这需要患者长时间静躺。患者的任何移动都会导致错误。
“我们考虑在更短的时间内从 MRI 获取数据，”Shoushtari 说道。“虽然较短的扫描通常会导致图像质量较低，但我们的方法可以通过计算提高图像质量，就像患者在机器中待了更长时间一样。我们新方法的关键创新在于，它只需要数十张图像就可以使现有的 MRI 模型适应新数据。”
该方法还适用于放射学以外的领域，该团队正在与其他同事合作，将该方法应用于科学成像、显微成像和其他可以将数据表示为图像的应用。
页:
[1]