Few-Shot Classification and Anatomical Localization of Tissues in SPECT Imaging

要約

正確な分類と解剖学的局在は、効果的な医療診断と研究に不可欠であり、深い学習技術を使用して効率的に実行される可能性があります。
ただし、限られたラベル付きデータの可用性は大きな課題をもたらします。
これに対処するために、単一の光子排出量コンピューター断層撮影（SPECT）画像で、それぞれ少数のショット分類とローカリゼーションのために、プロトタイプネットワークと伝播再構築ネットワーク（PRNET）を適応させました。
概念実証のために、心臓の周りにトリミングされた2Dスライス画像を使用しました。
96.67％のトレーニングと93.33％の検証精度を備えた、事前に訓練されたResNet-18バックボーン、分類された心室、心筋、および肝臓組織を備えたプロトタイプネットワーク。
Encoder-Decoderアーキテクチャとスキップ接続を備えた2Dイメージングに適応したPRNETは、1.395のトレーニング損失を達成し、パッチを正確に再構築し、空間関係をキャプチャしました。
これらの結果は、限られたラベル付きデータと解剖学的ランドマークのローカリゼーションのPRNETを使用した組織分類のプロトタイプネットワークの可能性を強調し、ディープラーニングフレームワークのパフォーマンスを改善する方法を開催します。

要約(オリジナル)

Accurate classification and anatomical localization are essential for effective medical diagnostics and research, which may be efficiently performed using deep learning techniques. However, availability of limited labeled data poses a significant challenge. To address this, we adapted Prototypical Networks and the Propagation-Reconstruction Network (PRNet) for few-shot classification and localization, respectively, in Single Photon Emission Computed Tomography (SPECT) images. For the proof of concept we used a 2D-sliced image cropped around heart. The Prototypical Network, with a pre-trained ResNet-18 backbone, classified ventricles, myocardium, and liver tissues with 96.67% training and 93.33% validation accuracy. PRNet, adapted for 2D imaging with an encoder-decoder architecture and skip connections, achieved a training loss of 1.395, accurately reconstructing patches and capturing spatial relationships. These results highlight the potential of Prototypical Networks for tissue classification with limited labeled data and PRNet for anatomical landmark localization, paving the way for improved performance in deep learning frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google