基于部分注释CT图像的自监督迁移学习肺结节分类
深度学习模型训练时需要大量的注释样本,但在医学领域注释数据难以获取。针对此问题,提出了一种结合部分注释数据的自监督学习算法,以提高3D肺结节的分类性能。在传统自监督训练的网络结构基础上,设计了一种多任务学习的网络结构,以同时利用医学图像处理任务中大量未注释数据和少量注释数据。通过先训练未注释数据然后加入注释数据继续训练的方式,实现了注释数据与未注释数据间部分网络结构和参数的共享。相较于传统自监督学习方法,所提算法在保证模型泛化能力的同时能够学习到更多与肺结节相关的鉴别特征,因此将模型迁移学习用于肺结节分类时也能表现出更佳的性能。所提算法在公开数据集LIDC-IDRI上的分类准确率达0.886,
用户评论