边缘设备上无监督神经细胞自动机的训练
机器学习
2024-07-26 v1
摘要
医学影像工具在不同地区的获取差异显著限制了普遍医疗创新的潜力，尤其是在偏远地区。在本研究中，我们在智能手机上直接实现神经细胞自动机(NCA)训练，以实现可及的肺部X射线分割。我们确认了在五部Android设备上部署和训练这些先进模型的实用性和可行性，提高了医疗诊断的可及性，弥合了技术鸿沟，将机器学习优势延伸至低中收入国家(LMICs)的医学影像领域。我们进一步通过一种无监督适应方法引入了新的方差加权分割损失(VWSL)，该方法通过最小化多个NCA预测的方差来高效地从无标签数据中学习。该策略显著提高了模型的适应性和性能，而无需大量计算资源或标记数据集，从而有效降低了参与门槛。我们的方法在三个多站点X射线数据集--Padchest、ChestX-ray8和MIMIC-III--上进行测试，相较于经典Med-NCA，分割Dice准确率提高0.7%至2.8%。此外，在无数字副本可用且必须通过手机从X射线灯箱或显示器捕获图像的极端情况下，VWSL将Dice准确率提高5%至20%，显示出即使在次优图像来源下，该方法也具有鲁棒性。
引用
@article{arxiv.2407.18114,
title = {Unsupervised Training of Neural Cellular Automata on Edge Devices},
author = {John Kalkhof and Amin Ranem and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2407.18114},
year = {2024}
}