自适应方差阈值化：改进现有深度迁移视觉模型并推进自动膝关节骨关节炎分类的新方法
图像与视频处理
2023-11-13 v1 计算机视觉与模式识别
机器学习
摘要
膝关节骨关节炎（KOA）是全球致残的普遍成因，因其细微的影像学标志与个体化进展而诊断 inherently 复杂。一个有前景的分类途径是应用深度学习方法；然而，这些技术需要广泛、多样化的数据集，因医疗数据收集限制而构成重大挑战。现有做法通常求助于较小数据集与迁移学习。但该途径常继承不必要的预学习特征，可能扰乱分类器向量空间，潜在损害性能。本研究提出一种通过引入自适应方差阈值化（AVT）继而神经架构搜索（NAS）来改进训练后专用分类器的新范式。该方法带来两个关键结果：预训练 KOA 模型初始准确率提升，以及 NAS 输入向量空间缩减 60 倍，从而促成更快推理速度与更高效的超参数搜索。我们还将该方法应用于一个外部训练的 KOA 分类模型。尽管其初始性能有限，我们方法的施用提升了其平均准确率，使其成为前三的 KOA 分类模型之一。
引用
@article{arxiv.2311.05799,
title = {Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification},
author = {Fabi Prezja and Leevi Annala and Sampsa Kiiskinen and Suvi Lahtinen and Timo Ojala},
journal= {arXiv preprint arXiv:2311.05799},
year = {2023}
}
备注
26 pages, 5 figures