AdaTriplet：用于法医医学图像匹配的自适应梯度三元组损失与自动边界学习
图像与视频处理
2022-05-11 v2 计算机视觉与模式识别
机器学习
摘要
本文利用深度神经网络（DNNs）解决法医医学图像匹配（FMIM）的挑战。FMIM是基于内容的图像检索（CBIR）的一种特殊情况。与通用CBIR相比，FMIM的主要挑战在于查询图像所属受试者可能受衰老和进行性退行性疾病影响，难以在受试者层面匹配数据。基于DNN的CBIR通常通过最小化排序损失（如三元组损失（TL））来解决，该损失计算于DNN从原始数据提取的图像表示上。具体而言，TL作用于三元组：锚点、正样本（与锚点相似）和负样本（与锚点不相似）。尽管TL已在许多CBIR任务中表现良好，仍存在局限性，我们在本工作中识别并分析。本文引入（i）AdaTriplet损失——TL的扩展，其梯度适应负样本的不同难度级别；以及（ii）AutoMargin方法——一种动态调整基于边界的损失（如TL及我们提出的损失）超参数的技术。我们的结果在基于骨关节炎倡议和Chest X-ray-14数据集的两个大规模FMIM基准上评估。允许复现本研究代码已公开于\url{https://github.com/Oulu-IMEDS/AdaTriplet}。
引用
@article{arxiv.2205.02849,
title = {AdaTriplet: Adaptive Gradient Triplet Loss with Automatic Margin Learning for Forensic Medical Image Matching},
author = {Khanh Nguyen and Huy Hoang Nguyen and Aleksei Tiulpin},
journal= {arXiv preprint arXiv:2205.02849},
year = {2022}
}
备注
15 pages, 6 figures, accepted as a conference paper at MICCAI 2022