15、医学图像分析中的少样本学习与高效标注方法

医学图像分析中的少样本学习与高效标注方法

在医学图像分析领域，少样本学习和高效标注是当前研究的热点，它们对于提高疾病诊断效率和降低成本具有重要意义。本文将介绍两种不同的方法：一种是基于自注意力元学习的少样本疾病检测方法，另一种是针对光学相干断层扫描（OCT）图像的高效标注学习范例。

自注意力元学习的少样本疾病检测方法

在少样本分类任务中，以往大多数针对COVID - 19检测的少样本学习（FSL）方法仅使用少数类别。为了评估所提出的方法，研究者测试了Maicas等人提出的任务采样方法。

任务类型	本文方法平均准确率	Maicas等人方法平均准确率
2 - 路3 - 样本	63.2%	60.2%
2 - 路5 - 样本	70.28%	68.2%

从表格数据可以看出，本文提出的方法在平均AUC和平均准确率方面取得了更好的结果。该方法利用基于优化的元学习技术从任务中学习知识，并通过集成的自注意力机制聚焦于最相关的特定任务特征（疾病特定特征）。

整体而言，这种少样本疾病检测方法基于元学习范式，从经验中学习，并集成自注意力机制以关注临床相关特征。实验在基于图像的两种诊断场景（低流行皮肤病和胸部疾病诊断）中进行评估，结果表明该