4、RadTex与单域泛化方法：医疗图像深度学习的新突破

RadTex与单域泛化方法：医疗图像深度学习的新突破

在医疗图像领域，深度学习模型的应用面临着诸多挑战，如数据标注有限、域偏移等问题。本文将介绍两种创新的方法——RadTex和基于傅里叶变换的单域泛化方法，它们为解决这些问题提供了新的思路和解决方案。

RadTex：利用放射学报告学习高效的X光片表示

RadTex是一种利用放射学报告的语义密度来构建可高效迁移的X光片表示的模型。通过对数据可用性的影响进行分析，该模型在合理规模的专家标注数据集上展现出了出色的性能。

数据与训练细节

• 数据来源 ：EdemaSeverity数据集包含来自MIMIC - CXR的6,524个示例，其肺水肿严重程度标签（0到3级，严重程度递增）通过正则表达式模型从放射学报告中提取。在预训练时使用正则表达式标注的示例，迁移时使用专家达成共识的示例。
• 训练设置
  • 图像转换 ：在每个训练阶段，将图像转换为1通道灰度图，并进行随机仿射变换，同时保持图像比例不变。对于ImageNet和CXR14预训练的模型，保持3通道输入以匹配预训练架构。
  • 预训练 ：分别对Pathology9和EdemaSeverity进行预训练，确保在预训练期间不看到测试集。使用与Desai等人相同的超参数，包括SGD、LookAhead和权重衰减。以128张图像的批量大小在2个NVIDIA Volta V100 GPU上进行训练，不使用提前停止准则，而是进行完整的50个epoc