核心概念
Unser Ansatz PU-Net verwendet Prompt-basiertes Lernen, um die Unsicherheit zwischen verschiedenen Bewertern bei der Segmentierung medizinischer Bilder zu modellieren und gleichzeitig den Rechenaufwand für die Feinanpassung des Modells auf neue Datensätze erheblich zu reduzieren.
摘要
In diesem Papier stellen wir einen neuen Prompt-basierten Ansatz namens PU-Net vor, um zwei Herausforderungen bei der Segmentierung mehrdeutiger medizinischer Bilder zu adressieren:
- Wie kann man ein Deep-Learning-Modell trainieren, wenn eine Gruppe von Bewertern eine Reihe von unterschiedlichen, aber plausiblen Annotationen erstellt?
- Wie kann man das Modell effizient an neue Datensätze anpassen, ohne den gesamten Rechenaufwand für das erneute Training des gesamten Modells aufwenden zu müssen?
PU-Net verwendet Prompt-basiertes Lernen, um die Unsicherheit zwischen verschiedenen Bewertern zu modellieren. Dazu werden bewerter-spezifische Prompts in das U-Net-Modell integriert, um die Vorhersagen an die Annotationen der einzelnen Bewerter anzupassen. Darüber hinaus entwickeln wir eine neuartige Mix-Training-Strategie, um sowohl die individuellen Erkenntnisse der einzelnen Bewerter als auch den Konsens zwischen den Bewertern gleichzeitig zu berücksichtigen.
Umfangreiche Experimente auf zwei öffentlichen Datensätzen zeigen, dass unser Ansatz effektiv für Fälle mit mehreren Bewertern ist und den Rechenaufwand für die Feinanpassung des Modells erheblich reduziert. Im Vergleich zu State-of-the-Art-Methoden erzielt PU-Net überlegene Leistungen bei der Segmentierung des Sehnervenkopfes und der Sehnervenschale.
統計資料
Die Experimente wurden auf dem RIGA-Datensatz durchgeführt, der 750 Farbfundusbilder von drei verschiedenen Quellen enthält. Sechs Glaukom-Experten haben manuell die Konturen der Sehnervenschale und des Sehnervenkopfes markiert.
引述
"Unser Ansatz PU-Net verwendet Prompt-basiertes Lernen, um die Unsicherheit zwischen verschiedenen Bewertern bei der Segmentierung medizinischer Bilder zu modellieren und gleichzeitig den Rechenaufwand für die Feinanpassung des Modells auf neue Datensätze erheblich zu reduzieren."
"Umfangreiche Experimente auf zwei öffentlichen Datensätzen zeigen, dass unser Ansatz effektiv für Fälle mit mehreren Bewertern ist und den Rechenaufwand für die Feinanpassung des Modells erheblich reduziert."