基于深度元学习的医学图像分类研究

本文针对医学图像分类问题,提出了一种基于深度元学习的多阶段小样本学习方法,该方法结合了元学习、迁移学习的思想。通过引入预训练的视觉变压器模型(vision transformer)作为特征提取模型,提升对医学图像特征的提取能力。使用额外的数据集对原型网络进行训练,以克服医疗图像数据量不足的问题。我们对于医学图像分类任务进行微调,以提高模型的针对性,使模型更易进行适应医学图像任务。我们在两个医学图像数据集(血液、病理学)上进行了实验,并与相关工作进行了比较。实验结果表明,我们的方法在血液数据集上3way 1-shot,5-shot,10-shot准确率分别为68.06%,91.55%,95.3%,在病理数据集上3way 1-shot,5-shot,10-shot准确率分别为78.50%,91.84%,94.93%,取得了领先的性能,具有可靠的识别率。