IMIL: Interactive Medical Image Learning Framework

数据增强是训练医学图像深度学习模型的广泛应用，以增加稀疏数据集的多样性和规模。然而，常用的增强技术可能导致医学图像中临床相关信息的丢失，从而在推理时导致错误的预测。我们提出了交互式医学图像学习（IMIL）框架，这是一种改进医学图像分析算法训练的新方法，可以让临床医生指导中间的训练数据增强，针对错误预测的异常值，使算法关注相关的视觉信息。为了防止模型在训练过程中使用不相关的特征，IMIL将“黑掉”临床医生指定的不相关区域，并用增强后的样本替换原始图像。这确保对于原来的错误预测样本，算法随后只关注相关区域，并正确将其与相应的诊断相关联。我们使用放射学住院医师验证了IMIL的有效性，并将其性能与最先进的数据增强技术进行了比较。当仅在训练集的4％上使用IMIL时，与ResNet-50相比，准确率提高了4.2％。我们的研究证明了临床医生指导交互式训练以实现医学图像分析算法的有意义的数据增强的实用性。

本文旨在提出一种新的医学图像深度学习模型训练方法，解决目前常用数据增强技术可能导致临床相关信息丢失的问题。

本文提出了交互式医学图像学习（IMIL）框架，通过医生指导的中间训练数据增强来优化医学图像分析算法的训练，使算法更加关注相关的视觉信息。

本文使用放射科医生进行验证，比较了IMIL和现有数据增强方法的表现。实验结果表明，在仅使用4％的训练集的情况下，IMIL相对于ResNet-50的准确率提高了4.2％。本文的亮点在于提出了一种新的交互式训练方法，有效地增强了医学图像分析算法的训练。

最近的相关研究包括：1）使用对抗生成网络进行医学图像数据增强的研究；2）使用自监督学习进行医学图像分析的研究。