生物医学图像分析中的小样本深度学习综述
计算机视觉与模式识别
2019-08-02 v1
摘要
深度学习的成功已被视为一种有前景的计算机辅助生物医学图像分析技术，这得益于端到端的学习框架和大规模标注样本的可用性。然而，在许多生物医学图像分析案例中，深度学习技术因主要由标注缺乏引起的小样本学习困境而受限。为使深度学习技术在生物医学图像分析中更具实用性，本文结合计算机视觉应用中相关技术的发展，综述了有助于缓解深度学习困境的关键小样本学习技术。为加速基于深度学习技术的生物医学图像分析的临床应用，我们有意扩展本综述，纳入对临床决策至关重要的深度模型解释方法。我们将关键的小样本学习技术分为五类进行综述：(1) 解释技术，(2) 弱监督学习技术，(3) 迁移学习技术，(4) 主动学习技术，以及 (5) 涉及数据增强、领域知识、传统浅层方法和注意力机制的各类技术。这些关键技术有望有效支持深度学习在临床生物医学图像分析中的应用，并进一步提升分析性能，尤其是在无法获得大规模标注样本的情况下。我们在 https://github.com/PengyiZhang/MIADeepSSL 构建了演示。
引用
@article{arxiv.1908.00473,
title = {A Survey on Deep Learning of Small Sample in Biomedical Image Analysis},
author = {Pengyi Zhang and Yunxin Zhong and Yulin Deng and Xiaoying Tang and Xiaoqiong Li},
journal= {arXiv preprint arXiv:1908.00473},
year = {2019}
}