一种用于内镜肾结石识别的度量学习方法
计算机视觉与模式识别
2023-07-17 v1 人工智能
摘要
近来已有若干深度学习（DL）方法被提出，用于在输尿管镜术中自动识别肾结石以支持快速治疗决策。即便这些 DL 方法取得了有前景的结果，它们主要适用于拥有大量标注数据的肾结石类型。然而，某些罕见肾结石类型的标注图像极少。本工作利用深度度量学习（DML）方法：i) 处理少样本类别，ii) 对分布外样本具有良好泛化能力，iii) 更好地应对数据库新增类别。所提出的引导式深度度量学习方法基于一种新颖架构，旨在以改进方式学习数据表示。该方案受少样本学习（FSL）启发，并采用师生方法。教师模型（GEMINI）基于标注数据的先验知识生成缩减的假设空间，并通过知识蒸馏机制将其作为学生模型（即 ResNet50）的引导。我们分别在两个用于识别的数据集上进行了充分测试：一是肾结石碎片表面图像集，二是碎片截面图像集。所提 DML 方法相较 DL 方法与其他 DML 方法，识别准确率分别提升 10% 与 12%。此外，通过多视图方案将两类数据集的模型嵌入以有序方式融合，以同时利用表面与截面碎片信息。基于融合模型的测试相较 DL 模型与浅层机器学习方法，识别准确率分别至少提升 3% 与最高达 30%。
引用
@article{arxiv.2307.07046,
title = {A metric learning approach for endoscopic kidney stone identification},
author = {Jorge Gonzalez-Zapata and Francisco Lopez-Tiro and Elias Villalvazo-Avila and Daniel Flores-Araiza and Jacques Hubert and Andres Mendez-Vazquez and Gilberto Ochoa-Ruiz and Christian Daul},
journal= {arXiv preprint arXiv:2307.07046},
year = {2023}
}