面向肝水素体分割与阿尔茨海默病诊断的 novel 混合参数高效微调方法
图像与视频处理
2024-09-04 v1 计算机视觉与模式识别
摘要
深度学习方法已显著推动了医学图像分割的进展，但其成功取决于大量手动标注数据，这些数据需要专业知识进行准确标注。此外，这些方法通常需要 substantial 计算资源，尤其是对于三维医学成像任务。因此，在有限标注数据和计算资源的情况下，将深度学习技术应用于医学图像分割，仍是一个关键挑战。本文提出了一种 novel 参数高效微调策略，称为 HyPS，该策略采用混合并行和串行架构。HyPS 更新模型参数的最小子集，从而保留预训练模型的原始知识结构，同时增强其学习下游任务相关特定特征的能力。我们将该策略应用于最先进的 SwinUNETR 模型进行医学图像分割。初始时，该模型在 BraTs2021 数据集上进行预训练，随后采用 HyPS 方法将其迁移到三个不同的肝水素体数据集。广泛的实验表明，HyPS 在训练样本有限的场景中优于基线方法。此外，基于分割结果，我们计算了来自 ADNI 数据集中受试者的肝水素体体积，并将其与元数据结合用于疾病类型分类。在区分阿尔茨海默病（AD）与认知正常（CN）个体，以及早期轻度认知障碍（EMCI）与晚期轻度认知障碍（LMCI）时，HyPS 分别实现了 83.78% 和 64.29% 的分类准确率。这一发现表明，HyPS 方法不仅有助于使用预训练模型进行有效的肝水素体分割，而且在辅助阿尔茨海默病检测方面也具有潜力。我们的代码已公开 available。
引用
@article{arxiv.2409.00884,
title = {A Novel Hybrid Parameter-Efficient Fine-Tuning Approach for Hippocampus Segmentation and Alzheimer's Disease Diagnosis},
author = {Wangang Cheng and Guanghua He and Keli Hu and Mingyu Fang and Liang Dong and Zhong Li and Hancan Zhu},
journal= {arXiv preprint arXiv:2409.00884},
year = {2024}
}