欢迎来到-山阳之窗!
网站活动:
每日歌曲 :
当前位置: 首页 > 资讯 >

腾讯8篇论文入选MICCAI2019 AI与医疗越走越近

时间:2019-10-11 17:25来源:网络整理 作者:管理员 点击:

国际顶级工智能医学影像学术会议MICCAI 2019会期临近,论文录用结果陆续揭晓,腾讯共计入选8篇论文,涵盖病理癌症图像分类、医学影像分割、CT病灶检测、机器学习等范畴。

近年来AI医学蓬勃发展,以“腾讯觅影”为代表的AI医学解决方案快速进入多种疾病的诊断核心环节。不过,医学影像数据质量参差不齐,工标注难度大等行业性难题,导致AI在医学上的学习和应用面临诸多挑战。在此次MICCAI 2019中,腾讯旗下两大AI实验室——腾讯AI Lab与腾讯优图实验室分别从深度学习效率提升,以及医学临床应用角度进行创新性研究,各入选4篇论文。

提升深度学习效率:弥补“小数据”短板

将AI应用于医学图像分类的一大挑战是训练数据少,其中一个解决办法是结合迁移学习、多任务学习、半监督学习等多种训练方式。腾讯AI Lab的研究把三种方法整合在统一框架中,从而叠加各方法的贡献,并公平对比不同场景下各方法的贡献。

腾讯8篇论文入选MICCAI2019 AI与医疗越走越近

图注:半监督学习前沿的一致性约束算法(包括VAT和PI-model)和广泛采用的多任务学习算法(hard parameter sharing)整合在一个网络中,采用交替任务的方式进行端到端的训练,通过初始点的设定融入迁移学习。

在胃镜图片良恶性分类问题上的一系列实验说明:单独使用时迁移学习提升性能最显著;迁移学习基础上,多任务学习在项目早期数据量较小时可进一步提高,而半监督学习可在较大数据量上持续提升;三者组合并利用大参数量网络可获得更好性能。这项研究成果将可用来指导如何单独或组合使用迁移学习、多任务学习和半监督学习提升医学分类模型的准确率。

与此同时,腾讯优图实验室的研究,则有望在解决医学影像标注难题上找到新思路:医疗图像(如CT,MRI)往往是三维数据,该类数据存在标注难度大,标注信息难以获取等问题,这导致标注的三维医学图像数量通常不足以很好地训练深度学习网络。腾讯优图实验室提出了一种深度挖掘原始数据信息的自监督学习方法,通过模拟魔方复原过程,使网络自发地在原始数据中提取有用信息。

这项研究有望减少深度学习网络对数据量的需求,提高后续监督任务的准确率。同时,这也是业内首次提出三维自监督学习方法,有望弥补业内的研究空白。

腾讯8篇论文入选MICCAI2019 AI与医疗越走越近

图注:模拟魔方复原过程的自监督学习框架。该框架包含两个操作:打乱立方块顺序及旋转立方块方向。

(责任编辑:admin)
  • 共3页:
  • 上一页
  • 1
  • 2
  • 3
  • 下一页
数据统计中,请稍等!
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
二维码
              
  • 听听小编为您选的歌曲吧