深度学习模型，例如用于医学成像以帮助检测疾病或异常的模型，必须经过大量数据的训练。然而，通常没有足够的数据来训练这些模型，或者数据太多样化。
Ulugbek Kamilov是圣路易斯华盛顿大学麦凯维工程学院计算机科学与工程以及电气与系统工程副教授，他和研究组的博士生Shirin Shoushtari、jiming Liu和Edward Chandler一起开发了一种方法来解决图像重建中的这个常见问题。
该团队将于本月在奥地利维也纳举行的国际机器学习会议(ICML 2024)上展示研究结果。
例如，用于训练深度学习模型的MRI数据可能来自不同的供应商、医院、机器、患者或身体部位的成像。在一种数据上训练的模型在应用于其他数据时可能会引入错误。为了避免这些错误，该团队采用了广泛使用的深度学习方法，即即插即用先验，考虑了模型训练时数据的变化，并使模型适应新的输入数据集。
“有了我们的方法，即使你没有大量的训练数据也没关系，”Shoushtari说。“我们的方法可以使用一小部分训练数据来适应深度学习模型，无论来自哪个医院、什么机器或身体的哪个部位。
“区域适应策略的重要之处在于，我们可以减少由于有限的数据集而导致的成像错误，”Shoushtari说。“这可以帮助我们将深度学习应用于以前由于数据需求而被认为不可能解决的问题。”
这种方法的一个建议用途是获取核磁共振成像的数据，这需要病人长时间静止不动。病人的任何动作都会导致错误。
“我们已经考虑过在更短的时间内从核磁共振成像中获取数据，”Shoushtari说。“虽然较短的扫描时间通常会导致较低质量的图像，但我们的方法可以用于计算提高图像质量，就好像患者在机器中待的时间更长一样。”我们新方法的关键创新之处在于，它只需要几十张图像就可以使现有的MRI模型适应新的数据。”
该方法也适用于放射学以外的领域，该团队正在与其他同事合作，将该方法应用于科学成像、显微成像和其他可以将数据表示为图像的应用中。
更多信息:Shoushtari S, Liu J, Chandler EP, Asif MS, Kamilov US。基于非凸收敛分析的PnP-ADMM的先验失配与自适应。机器学习国际会议，2024年7月21-27日。icml.cc /虚拟/ 2024 /海报/ 34765
源代码可在GitHub: github.com/wustl-cig/MMPnPADMM
由圣路易斯华盛顿大学提供 引用深度学习模型可以用有限的数据进行训练 新方法可以减少计算误差 nal成像(2024年7月26日)从https://techxplore.com/news/2024-07-deep-limited-method-errors-imaging.html检索2024年7月26日 作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司 内容仅供参考之用。
