一种用于跨域白细胞分类的持续学习方法
计算机视觉与模式识别
2023-08-25 v1 机器学习
摘要
外周血中白细胞的准确分类对血液系统疾病的诊断至关重要。由于临床环境、数据来源和疾病分类不断演化，在实际使用中需定期更新机器学习分类模型。此类模型能从连续到达的数据流中顺序学习而不遗忘已学知识，将获益良多。然而，模型在为新数据微调时可能遭受灾难性遗忘，导致先前任务性能下降。在此，我们提出一种基于 rehearsal 的持续学习方法，用于白细胞分类中的类增量和域增量场景。为从先前任务中挑选代表性样本，我们采用基于模型预测的范例集选择，即选取模型最置信的样本以及通过模型不确定性估计识别的最困难样本。我们在三个颜色、分辨率和类别构成不同的白细胞分类数据集上充分评估了所提方法，包括每任务向模型引入新域或新类的场景。我们还测试了同时引入新域和新类的长类增量实验。结果表明，我们的方法优于持续学习中已有基线，包括现有的iCaRL和EWC方法，在跨域环境下对白细胞进行分类。
引用
@article{arxiv.2308.12679,
title = {A Continual Learning Approach for Cross-Domain White Blood Cell Classification},
author = {Ario Sadafi and Raheleh Salehi and Armin Gruber and Sayedali Shetab Boushehri and Pascal Giehr and Nassir Navab and Carsten Marr},
journal= {arXiv preprint arXiv:2308.12679},
year = {2023}
}
备注
Accepted for publication at workshop on Domain Adaptation and Representation Transfer (DART) in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2023)