半监督内镜图像长尾分类

目的 探索半监督学习算法在内镜图像长尾分类中的应用。方法 我们在HyperKvasir数据集上探索了半监督的内镜图像长尾分类,该数据集是最大的胃肠道公共数据集,有23个不同的类别。使用基于一致性正则化和伪标签的半监督学习算法FixMatch,在将训练数据集和测试数据集按4:1的比例进行划分后,按照20%、50%和100%的比例抽取有标签的训练样本,以测试在有标签数据有限下的分类性能。结果 通过微观平均、宏观平均评价指标和马修斯相关系数(Mathews correlation coefficient,MCC)作为总体评价指标来评估分类性能。半监督学习算法在有标签训练数据比例为20%、50%和100%的情况下,MCC分别从0.8761提高到0.8850、0.8983提高到0.8994、0.9075提高到0.9095。在有标签训练数据比例为20%的情况下,半监督学习算法可以提高微观平均和宏观平均的分类性能。对于50%和100%的情况,半监督学习算法可以提高微观平均下的分类性能,但会损害宏观平均的分类性能。通过分析每个类的混淆矩阵和标注偏差,我们发现基于伪标签的半监督学习算法加剧了分类器对头类的偏好,导致头类的性能提高而尾类的性能下降。结论 半监督学习算法可以提高内镜图像长尾分类的性能,特别是在标签极其有限的情况下,这可能有利于为小医院建立辅助诊断系统。然而,伪标签策略可能会放大类不平衡的影响,从而损害尾部类的分类性能。

影像组学在胃癌诊疗中的应用

胃癌是我国的高发癌种之一,严重危害我国人民的健康。如何基于影像实现定量化、个体化、精准化的辅助诊疗是提高胃癌患者五年生存率的关键之一。近年来人工智能与医学影像的结合催生了影像组学技术,本文从影像组学流程、影像组学在胃癌诊疗中的应用、挑战与机遇三个方面综述胃癌影像组学的研究进展。首先,本文回顾了影像组学的基本流程,包括数据收集和预处理、感兴趣区域分割、特征提取、特征筛选、模型构建、模型评估等步骤。其次,本文概述了影像组学在早期胃癌筛查、胃癌分型分期诊断、胃癌疗效分析与预后预测等方面的应用。最后,本文讨论了胃癌影像组学研究面临的挑战性问题和发展机遇。