面向语义图像分割中不完整数据与增量学习的数据自适应损失函数
图像与视频处理
2021-04-23 v1 计算机视觉与模式识别
摘要
近年来，深度学习显著提升了多种医学图像分析应用的性能。在不同类型的深度学习模型中，卷积神经网络最为成功，已被用于医学影像的诸多应用。训练深度卷积神经网络通常需要大量图像数据，以良好地泛化到新的未见图像。由于成像系统昂贵以及需要专家手动制作真值标注，在医学图像领域收集大量数据往往耗时且昂贵。当决策支持系统已部署并使用时，若新增结构，则会出现潜在问题。由于放疗领域不断发展，决策支持系统也须覆盖这些新结构。在本工作中，我们提出一种新颖的损失函数，其自适应于可用数据，以利用所有可用数据，即便其中部分存在标注缺失。我们证明所提损失函数在增量学习设定下同样表现良好，可自动纳入新出现的结构。在大型内部数据集上的实验表明，该方法与基线模型性能相当，同时大幅减少了训练时间。
引用
@article{arxiv.2104.11020,
title = {A Data-Adaptive Loss Function for Incomplete Data and Incremental Learning in Semantic Image Segmentation},
author = {Minh H. Vu and Gabriella Norman and Tufve Nyholm and Tommy Löfstedt},
journal= {arXiv preprint arXiv:2104.11020},
year = {2021}
}