基于归纳图网络的自适应图像特征学习用于疾病分类
机器学习
2020-05-05 v2 图像与视频处理
机器学习
摘要
近年来，几何深度学习（Geometric Deep Learning, GDL）作为一种新颖且通用的计算机辅助疾病分类框架被提出。GDL利用患者的元信息（如年龄和性别）在图结构中建模患者队列关系，并借助图信号处理的概念来学习多模态特征（例如从图像到疾病类别）的最优映射。迄今为止的相关研究均考虑在预处理步骤中提取图像特征。我们假设这种方法会阻碍网络针对图网络中的最佳性能来优化特征表示。我们提出了一种利用归纳式端到端学习方法进行疾病分类的新网络架构，其中CNN与图的滤波器被联合训练。我们针对最先进的归纳图网络验证了该架构，并在修改后的MNIST玩具数据集上展示了显著改进的分类分数，以及在胸部X光图像数据集上以更高稳定性取得相当的分类结果。此外，我们解释了图的结构信息如何影响图像滤波器和特征学习。
引用
@article{arxiv.1905.03036,
title = {Adaptive Image-Feature Learning for Disease Classification Using Inductive Graph Networks},
author = {Hendrik Burwinkel and Anees Kazi and Gerome Vivar and Shadi Albarqouni and Guillaume Zahnd and Nassir Navab and Seyed-Ahmad Ahmadi},
journal= {arXiv preprint arXiv:1905.03036},
year = {2020}
}
备注
9 pages, 2 figures. Medical Image Computing and Computer Assisted Intervention - MICCAI 2019