盖世汽车讯 深度学习模型，例如用于帮助检测疾病或异常的医学成像模型，必须使用大量数据进行训练。然而，这些模型通常面临着没有足够的数据来进行训练或数据太多样化的问题。

图片来源：Kamilov lab

据外媒报道，圣路易斯华盛顿大学（Washington University in St. Louis）麦凯维工程学院（McKelvey School of Engineering）计算机科学与工程暨电气与系统工程副教授Ulugbek Kamilov及其团队的博士生Shirin Shoushtari、Jiaming Liu和Edward Chandler共同开发出即插即用先验（Plug-and-Play Priors）新方法，可以解决图像重建中的这一常见问题。

例如，用于训练深度学习模型的MRI数据可能来自不同的供应商、医院、机器、患者或成像的身体部位。使用单一类型数据训练的模型在应用于其它数据时可能会发生错误。为了避免这些错误，该研究团队采用了广泛使用的深度学习方法，称为即插即用先验（Plug-and-Play Priors），并考虑到训练模型时的数据变化，将模型调整为新的输入数据集。

Shoushtari表示：“使用我们的方法，即使没有大量训练数据也没关系。我们的方法可使深度学习模型仅使用一小部分训练数据进行适应，无论图像来自哪家医院、哪台机器或哪个身体部位。这种领域自适应策略的重要意义在于，我们可以减少因数据集有限而导致的成像误差。这可以帮助我们将深度学习应用在此前受限于数据要求而被认为不可能解决的问题。”

该方法的一个建议用途是获取MRI的数据。这通常需要患者长时间保持不动，患者的任何动作都会导致误差。Shoushtari表示：“我们希望在更短的时间内从MRI中获取数据。虽然较短的扫描时间通常会导致图像质量下降，但我们的方法可通过计算提高图像质量，就像患者在机器中待的时间更长一样。该方法的关键创新在于，只需要数十张图像就可以使现有的MRI模型适应新的数据。”

该方法的应用不仅限于放射学领域，该研究团队正在与其它同事合作，将该方法应用于科学成像、显微成像和其它可以用图像表示数据的应用。