SPECT成像中组织的少样分类与解剖定位
计算机视觉与模式识别
2025-02-11 v1 人工智能
机器学习
摘要
准确的分类和解剖定位对于有效的医学诊断和研究至关重要，这些任务可以利用深度学习技术有效实现。然而，可用有限标注数据的 availability（可用性）是一个重大挑战。为此，我们针对单光子发射断层扫描（SPECT）图像中的少样分类和定位，改编了原型网络和传递-重构网络（PRNet）。为概念验证，我们使用围绕心脏裁剪的2D图像。原型网络采用预训练的ResNet-18作为 backbone，对心室、心肌和肝脏组织进行96.67%的训练准确率和93.33%的验证准确率分类。PRNet改编为2D成像，采用编码器-解码器架构和skip连接，实现训练损失为1.395，准确重建图像块并捕获空间关系。这些结果凸显了原型网络在有限标注数据下的组织分类潜力，以及PRNet在解剖 landmarks 定位方面的潜力，为深度学习框架的性能提升铺平了道路。
引用
@article{arxiv.2502.06632,
title = {Few-Shot Classification and Anatomical Localization of Tissues in SPECT Imaging},
author = {Mohammed Abdul Hafeez Khan and Samuel Morries Boddepalli and Siddhartha Bhattacharyya and Debasis Mitra},
journal= {arXiv preprint arXiv:2502.06632},
year = {2025}
}
备注
2 pages, 2 figures