基于定量超声的组织表征数据高效深度学习策略：区域训练
图像与视频处理
2023-01-16 v2
摘要
深度学习（DL）赋能的生物医学超声成像是一个新兴研究领域，研究者将DL算法的图像分析能力适配到生物医学超声成像场景中。DL赋能的生物医学超声成像更广泛应用的一大障碍是：临床环境中获取大规模多样化数据集成本高昂，而这是成功实现DL所必需的。因此，持续需要开发数据高效的DL技术，使DL赋能的生物医学超声成像成为现实。本工作中，我们开发了一种数据高效的深度学习训练策略，命名为\textit{Zone Training}（区域训练）。在\textit{Zone Training}中，我们提议将超声图像的完整视场划分为与衍射图样不同区域相关的多个区域，然后为每个区域训练独立的DL网络。\textit{Zone Training}的主要优势是所需训练数据更少即可达到高准确率。本工作中，一个DL网络对三种不同仿体（tissue-mimicking phantoms）进行了分类。结果表明，与传统训练策略相比，\textit{Zone Training}达到相似分类准确率所需训练数据减少了2-5倍。
引用
@article{arxiv.2202.00547,
title = {A Data-Efficient Deep Learning Strategy for Tissue Characterization via Quantitative Ultrasound: Zone Training},
author = {Ufuk Soylu and Michael L. Oelze},
journal= {arXiv preprint arXiv:2202.00547},
year = {2023}
}
备注
9 pages, 8 figures. Submitted to IEEE TUFFC