基于迁移学习的超声多类分割中动脉、静脉、韧带与神经的域泛化研究
计算机视觉与模式识别
2020-11-16 v1 机器学习
图像与视频处理
摘要
在股区域识别标志点对于基于超声（US）的机器人引导导管插入至关重要，且当使用不同扫描仪成像时其呈现方式各异。因此，过去基于深度学习的方法的性能也严格受限于训练数据分布；这可通过微调模型全部或部分参数来规避，然而微调的影响鲜有讨论。在这项工作中，我们通过微调模型内不同的连续块并针对不同扫描仪和设置下的一系列超声数据进行评估，研究了基于超声的多类分割的迁移学习。我们提出了一种预测在未知数据集上泛化能力的简单方法，并在迈向域泛化的过程中观察到微调方法间具有统计显著差异。
引用
@article{arxiv.2011.07019,
title = {A Study of Domain Generalization on Ultrasound-based Multi-Class Segmentation of Arteries, Veins, Ligaments, and Nerves Using Transfer Learning},
author = {Edward Chen and Tejas Sudharshan Mathai and Vinit Sarode and Howie Choset and John Galeotti},
journal= {arXiv preprint arXiv:2011.07019},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract