Ein visueller Vergleich von passenden, nicht übereinstimmenden und angepassten (vorgeschlagenen) Deep-Learning-Modellen im PnP-ADMM für das Phasenwiederherstellungsproblem wurde durchgeführt. Das nicht übereinstimmende Modell wird auf Pathologiebildern anstelle von Gesichtern (übereinstimmend) trainiert. Die vorgeschlagene Methode wendet Domänenanpassung auf das nicht übereinstimmende Modell an, um ein qualitativ hochwertiges Bild wiederherzustellen, das in der Qualität mit den Ergebnissen des übereinstimmenden Modells vergleichbar ist, wobei weniger als 1% der für das Training erforderlichen Anzahl von Bildern benötigt werden. Credit: Kamilov lab
Tiefe Lernmodelle, wie sie in der medizinischen Bildgebung eingesetzt werden, um Krankheiten oder Abnormalitäten zu erkennen, müssen mit einer großen Menge an Daten trainiert werden. Oft stehen jedoch nicht genügend Daten zur Verfügung, um diese Modelle zu trainieren, oder die Daten sind zu divers. Ulugbek Kamilov, Associate Professor für Informatik und Ingenieurwissenschaften sowie für Elektro- und Systemtechnik an der McKelvey School of Engineering der Washington University in St. Louis, hat zusammen mit Doktoranden seines Teams eine Methode entwickelt, um dieses häufige Problem bei der Bildrekonstruktion zu umgehen. Das Team wird die Ergebnisse der Forschung in diesem Monat auf der International Conference on Machine Learning (ICML 2024) in Wien, Österreich, präsentieren.
Zum Beispiel könnten für die Schulung von Deep-Learning-Modellen verwendete MRI-Daten von verschiedenen Herstellern, Krankenhäusern, Maschinen, Patienten oder untersuchten Körperteilen stammen. Ein auf einem bestimmten Datentyp trainiertes Modell könnte Fehler verursachen, wenn es auf andere Daten angewendet wird. Um diese Fehler zu vermeiden, hat das Team den weit verbreiteten Deep-Learning-Ansatz namens Plug-and-Play Priors übernommen, die Datenschiebung berücksichtigt, mit der das Modell trainiert wurde, und das Modell an einem neuen Satz von Daten angepasst.
Mit unserer Methode spielt es keine Rolle, wenn Sie nicht über viele Trainingsdaten verfügen“, sagte Shoushtari. „Unsere Methode ermöglicht die Anpassung von Deep-Learning-Modellen mit einem kleinen Satz von Trainingsdaten, unabhängig davon, von welchem Krankenhaus, welcher Maschine oder welchen Körperteilen die Bilder stammen.“ Die vorgeschlagene Verwendungsmöglichkeit dieser Methode wäre beispielsweise die Datenerfassung aus einem MRI, was von den Patienten erfordert, lange still zu liegen. Jede Bewegung des Patienten kann zu Fehlern führen. „Wir haben in Betracht gezogen, die Daten aus dem MRI in kürzerer Zeit zu erfassen“, sagte Shoushtari. „Obwohl kürzere Scans normalerweise zu Bildern von schlechterer Qualität führen, kann unsere Methode verwendet werden, um die Bildqualität rechnerisch zu erhöhen, als ob der Patient für längere Zeit in der Maschine gelegen hätte. Die Innovation in unserem neuen Ansatz besteht darin, dass nur zehn Bilder erforderlich sind, um ein bestehendes MRI-Modell an neue Daten anzupassen.“ Die Methode ist auch über die Radiologie hinaus anwendbar, und das Team arbeitet mit anderen Kollegen zusammen, um die Methode auf wissenschaftliche Bildgebung, mikroskopische Bildgebung und andere Anwendungen, bei denen Daten als Bild dargestellt werden können, zu übertragen.