解决诊断成像数据稀缺问题的稳健且可解释的框架
摘要
深度学习显著ly advanced 了自动医学诊断，释放了人力资源以减少临床压力，但 data scarcity 持续的挑战阻碍了其进一步的改进和应用。为了解决这一 gap，我们引入了一个新的 ensemble 框架，称为 Efficient Transfer and Self-supervised Learning based Ensemble Framework(ETSEF)。ETSEF 利用多个 pre-trained 深度学习模型的 features 来高效地从 limited 数据样本中学习强大的 representations。鉴于 ETSEF 是首次将两种 pre-training 方法(Transfer Learning 和 Self-supervised Learning)与 ensemble learning 方法结合起来的策略。在部署 various data enhancement 技术(包括 data augmentation、feature fusion、feature selection 和 decision fusion)以最大化 ETSEF 模型的 efficiency 和 robustness 方面也取得了一些成果。测试了五个独立的医学成像任务，包括内镜、乳腺癌、单脑鸡瘤和青光眼检测，以展示 ETSEF 的 effectiveness 和 robustness。面对 limited 样本数量和 challenging 医学任务，ETSEF 通过 improving 从 10% 提升到 13.3% 来比较 strong ensemble baseline 模型，相较于 published state-of-the-art 方法实现了最高可达 14.4% 的 improvement。此外，我们通过 various vision-explainable 人工智能技术(包括 Grad-CAM、SHAP 和 t-SNE)强调 ETSEF 方法的 robustness 和 trustworthiness。与 large-scale 深度学习模型相比，ETSEF 可以灵活部署并在 challenging 医学成像任务中保持卓越的 performance，显示出在更多缺乏训练数据的领域应用的潜力。
引用
@article{arxiv.2407.06565,
title = {Non-uniqueness of Leray weak solutions of the forced MHD equations},
author = {Jun Wang and Fei Xu and Yong Zhang},
journal= {arXiv preprint arXiv:2407.06565},
year = {2024}
}
备注
23pp. arXiv admin note: text overlap with arXiv:2310.10075, arXiv:2112.03116 by other authors