一种特征迁移赋能的医学影像多任务深度学习模型
计算机视觉与模式识别
2019-06-06 v1
摘要
目标检测、分割与分类是医学图像分析中的三项常见任务。多任务深度学习（MTL）联合处理这三项任务，具有节省计算时间与资源、提升抗过拟合鲁棒性等优势。然而，现有多任务深度模型将每项任务作为独立任务，并在架构末端以单一损失函数并行整合。此类架构未能在训练早期利用各项任务特征的组合威力。本研究提出一种新架构 FTMTLNet，即由特征迁移赋能的 MTL。传统迁移学习处理来自不同数据源（亦称域）的相同或相似任务，其底层假设是源域所获得的知识可助益目标域的学习任务。我们提出的 FTMTLNet 利用来自同一域的不同任务。考虑到各任务的特征是该域的不同视图，组合特征图可借助多视图知识加以充分利用以提升泛化能力。为评估所提方法的有效性，使用公开的乳腺全视野数字钼靶数据集进行乳腺癌诊断，将 FTMTLNet 与文献中的模型比较，包括 8 个分类模型、4 个检测模型和 3 个分割模型。实验结果表明，所提 FTMTLNet 在分类与检测上优于对比模型，在分割上结果相当。
引用
@article{arxiv.1906.01828,
title = {A Feature Transfer Enabled Multi-Task Deep Learning Model on Medical Imaging},
author = {Fei Gao and Hyunsoo Yoon and Teresa Wu and Xianghua Chu},
journal= {arXiv preprint arXiv:1906.01828},
year = {2019}
}