แนวคิดหลัก
입력 데이터에 따라 최적의 학습 샘플을 선택하여 분류기를 학습함으로써 병변 분할 정확도를 향상시킬 수 있다.
บทคัดย่อ
이 논문은 입력 데이터에 따라 최적의 학습 샘플을 선택하여 분류기를 학습하는 입력 데이터 적응형 학습(IDAL) 방법을 제안한다.
먼저 유사도 분류기(SC)를 오프라인에서 학습한다. 이 SC는 새로운 입력 데이터와 유사한 학습 데이터를 선택할 수 있다.
그 다음 온라인 학습 단계에서는 SC를 이용해 새로운 입력 데이터와 유사한 3개의 학습 데이터를 선택한다. 이 선택된 데이터로 입력 데이터 의존적인 볼륨 분류기(VC)를 학습한다.
마지막으로 학습된 VC를 이용해 새로운 입력 데이터의 병변을 분할한다.
실험 결과, 제안 방법이 기존 방법보다 분할 정확도가 향상되었다. 또한 완벽한 유사도 분류기를 사용하면 더 나은 성능을 보였다.
สถิติ
모든 훈련 데이터는 서로 다른 모습을 보인다.
서로 다른 MRI 스캐너에서 얻은 데이터는 스캐너 간 변동성으로 인해 서로 다른 모습을 보인다.
คำพูด
"Even though all four images are from patients with sub-acute ischemic strokes, the appearance of the pathology is very different. Only one of the three training patients has a similar appearance to the test patient on the right side."
"The transfer function of MR-scanners depends on multiple factors like the time of acquisition, temperature changes, design differences, material differences etc. [9]. While most differences can be reduced by normalizing the images, there are usually still differences, especially between the images of different devices [8,7]."