Модели глубокого обучения могут быть обучены ограниченным данным: новый метод может уменьшить ошибки в вычислительной визуализации

Визуальное сравнение соответствующих, несоответствующих и адаптированных (предлагаемых) моделей глубокого обучения в PNP-ADMM для проблемы поиска фазы.Несовершеннолетняя модель обучается на патологических изображениях вместо лиц (соответствующих).Предложенный метод применяет адаптацию домены к несоответствующей модели для восстановления высококачественного изображения, сопоставимого по качеству с результатами, достигнутыми с использованием соответствующей модели, причем менее 1% от количества изображений, необходимых для обучения.Кредит: Камиловская лаборатория

Модели глубокого обучения, такие как модели, используемые в медицинской визуализации, для обнаружения заболеваний или аномалий, должны обучаться с большим количеством данных.Тем не менее, часто не хватает данных, доступных для обучения этих моделей, или данные слишком разнообразны.

Улугбек Камилов, доцент кафедры компьютерных наук и инженерии, а также электротехники и системной инженерии в школе инженерии Маккелви в Вашингтонском университете в Сент -Луисе, а также Ширин Шуштари, Джиамин Лю и Эдвард Чендлер, докторские студенты в своей группе, разработалиМетод, чтобы обойти эту общую проблему в реконструкции изображения.

Команда представит результаты исследования в этом месяце на Международной конференции по машинному обучению (ICML 2024) в Вене, Австрия.

Например, данные МРТ, используемые для обучения моделей глубокого обучения, могут быть получены от разных поставщиков, больниц, машин, пациентов или части тела.Модель, обучаемая по одному типу данных, может вводить ошибки при применении на других данных.Чтобы избежать этих ошибок, команда приняла широко используемый подход к глубокому обучению, известный как Plug и Play Priors, приходился к сдвигу в данных, с помощью которых модель была обучена и адаптировала модель к новому входящему набору данных.

«С помощью нашего метода не имеет значения, если у вас не так много учебных данных», - сказал Шуштари.«Наш метод обеспечивает адаптацию к моделям глубокого обучения, используя небольшой набор учебных данных, независимо от того, какая больница, какую машину или какую часть тела взяты изображения.

«Что важно в стратегии адаптации доменов, так это то, что мы можем уменьшить ошибки, которые мы факту в визуализации из -за ограниченного набора данных», - сказал Шуштари.«Это может помочь нам применить глубокое обучение к проблемам, которые ранее считались невозможными из -за требований к данным».

Одним из предложенных использования для этого метода было бы приобретение данных из МРТ, что требует, чтобы пациенты лежали на месте в течение длительных периодов времени.Любое движение пациентом приводит к ошибкам.

«Мы рассмотрели вопрос о получении данных из МРТ в более короткое время», - сказал Шуштари.«В то время как более короткие сканирования обычно приводят к более низким качественным изображениям, наш метод может использоваться для вычисления в вычислительном увеличении качества изображения, как если бы пациент находился в машине в течение более длительного времени. Ключевые инновации в нашем новом подходе заключаются в том, что для него требуется всего лишь десятки изображений.Адаптировать существующую модель МРТ к новым данным ».

Метод также применим за пределами радиологии, и команда сотрудничает с другими коллегами, чтобы принять метод для научной визуализации, микроскопической визуализации и других приложений, в которых данные могут быть представлены в качестве изображения.

More information: Shoushtari S, Liu J, Chandler EP, Asif MS, Kamilov US. Prior Mismatch and Adaptation in PnP-ADMM with a Nonconvex Convergence Analysis. International Conference on Machine Learning, July 21–27, 2024. icml.cc/virtual/2024/poster/34765

Исходный код доступен на GitHub: github.com/wustl-cig/mmpnpadmm