迈向稳健的犬类心脏诊断：基于深度原型对齐网络的兽医医学少样本分割
计算机视觉与模式识别
2024-03-12 v1
摘要
在前沿的医疗人工智能（AI）领域，诊断、预测和治疗干预等方面已取得了显著进展。尽管取得了这些进展，但图像分割技术面临着必须生成大量标注数据集的重大障碍。为应对这一挑战，少样本分割（FSS）被认为是一种创新性的解决方案。尽管大多数 FSS 研究集中在人类医疗保健上，但其在兽医学中的应用，特别是在宠物护理方面，仍然非常有限。本研究使用所提出的深度原型对齐网络（DPANet），重点对犬类胸部 X 光片上的心脏和左心房扩大进行精确分割。采用 PANet 架构作为骨干模型，并使用基于 VGG-19、ResNet-18 和 ResNet-50 的各种编码器进行特征提取实验。实验结果表明，所提出的 DPANet 取得了最高性能。在 2way-1shot 场景下，其交并比（IoU）最高达到 0.6966；在 2way-5shot 场景下，最高 IoU 值达到 0.797。DPANet 不仅意味着性能的提升，而且在 2way-5shot 场景下还表现出训练速度的加快。这些结果突显了我们的模型作为通过 FSS 在兽医应用中分割心脏和左心房扩大的开创性解决方案的卓越能力，为兽医 AI 研究设定了新基准，并展示了其在推动兽医学发展方面的卓越潜力。
引用
@article{arxiv.2403.06471,
title = {Toward Robust Canine Cardiac Diagnosis: Deep Prototype Alignment Network-Based Few-Shot Segmentation in Veterinary Medicine},
author = {Jun-Young Oh and In-Gyu Lee and Tae-Eui Kam and Ji-Hoon Jeong},
journal= {arXiv preprint arXiv:2403.06471},
year = {2024}
}