利用设置传递函数校准基于深度学习的定量超声中的数据失配
图像与视频处理
2022-10-06 v1
摘要
当训练数据与测试数据之间存在数据失配时，深度学习（DL）可能失效。由于其依赖于操作者的特性，由不同扫描仪设置引起的与采集相关的数据失配可能出现在超声成像中。因此，减轻此类数据失配的影响对于DL赋能超声成像的广泛临床采用至关重要。为减轻影响，理想情况下我们需要在每个扫描仪设置下收集大型训练集。然而，获取此类训练集成本高昂。另一种方法是在部分成像设置上训练，这使数据生成成本较低。但仍然存在泛化问题。作为一种经济且可泛化的替代方法，我们提出在单一设置下收集大型训练集，并在每个扫描仪设置下收集小型校准集。然后，校准集将用于从信号与系统的视角校准数据失配。我们测试了所提方案以分类两种体模。为研究所提方案的泛化性，我们校准了三类数据失配：脉冲频率、焦点和输出功率失配。为校准设置失配，我们计算了设置传递函数。未经校准训练的CNN在脉冲频率、焦点和输出功率失配下的平均分类准确率分别为55.3%、64.4%和70.3%。通过使用设置传递函数（其实现了训练域与测试域的匹配），我们分别获得了95.3%、92.99%和99.32%的平均准确率。因此，在扫描仪设置间引入设置传递函数，可为在特定分类任务中泛化DL模型提供一种经济手段，其中扫描仪设置不由操作者固定。
引用
@article{arxiv.2210.01958,
title = {Calibrating Data Mismatches in Deep Learning-Based Quantitative Ultrasound Using Setting Transfer Functions},
author = {Ufuk Soylu and Michael L. Oelze},
journal= {arXiv preprint arXiv:2210.01958},
year = {2022}
}