IMIL：交互式医学图像学习框架
图像与视频处理
2024-04-18 v1
摘要
数据增强广泛用于训练医学图像深度学习模型，以增加稀疏数据集的多样性和规模。然而，常用的增强技术可能导致医学图像中临床相关信息的丢失，从而在推理时产生错误预测。我们提出交互式医学图像学习（IMIL）框架，这是一种改进医学图像分析算法训练的新方法，它允许临床医生指导对误预测异常值的中间训练数据增强，使算法聚焦于相关视觉信息。为了防止模型在训练中使用无关特征，IMIL将“黑化”临床医生指定的无关区域，并用增强样本替换原始图像。这确保对于最初误预测的样本，算法随后仅关注相关区域，并将其与相应诊断正确关联。我们使用放射科住院医师验证了IMIL的有效性，并将其性能与最先进的数据增强方法进行了比较。当仅在4%的训练集上使用IMIL时，观察到相对于ResNet-50的准确率提升了4.2%。我们的研究证明了临床医生指导的交互式训练在实现医学图像分析算法有意义的数据增强方面的效用。
引用
@article{arxiv.2404.10965,
title = {IMIL: Interactive Medical Image Learning Framework},
author = {Adrit Rao and Andrea Fisher and Ken Chang and John Christopher Panagides and Katherine McNamara and Joon-Young Lee and Oliver Aalami},
journal= {arXiv preprint arXiv:2404.10965},
year = {2024}
}
备注
CVPR 2024 Workshop on Domain adaptation, Explainability and Fairness in AI for Medical Image Analysis (DEF-AI-MIA)