少样本学习方法在输尿管镜检查中肾结石类型识别上的评估

确定肾结石类型对于开具适当的治疗方案以预防复发至关重要。目前存在多种方法来识别肾结石类型。然而，通过参考体外识别程序获得结果可能需要数周，而体内视觉识别则需要高度训练的专业人员。因此，深度学习模型已被开发用于在内窥镜检查过程中为泌尿科医生提供肾结石的自动分类。然而，这些模型的一个常见问题是缺乏训练数据。本贡献提出了一种基于少样本学习的深度学习方法，旨在从内窥镜图像中产生足够具有判别力的特征以识别肾结石类型，即使样本数量非常有限。该方法专门针对内窥镜图像稀缺或存在罕见类别的场景，使即使在有限的训练数据集下也能进行分类。结果表明，原型网络（Prototypical Networks）仅需使用最多 25% 的训练数据，即可达到与传统深度学习模型使用完整数据集训练相等的甚至更优的性能。