一种基于循环一致对抗域适应的归纳迁移学习方法及其在脑肿瘤分割中的应用
计算机视觉与模式识别
2020-05-12 v1 图像与视频处理
摘要
随着医学图像分析应用中监督机器学习的最新进展，各领域的标注医学图像数据集正被广泛共享。鉴于标注需要医学专业知识，此类标签应被尽可能多地应用于各类学习任务。然而，每张标注图像的多模态特性使其难以在不同任务间共享标注标签。本工作中，我们提出一种归纳迁移学习（ITL）方法，利用基于 Cycle-GAN 的无监督域适应（UDA）将源域数据集的标注标签迁移至目标域数据集的任务中。为评估该 ITL 方法的适用性，我们将源域磁共振成像（MRI）图像数据集上的脑组织结构标注标签，迁移用于目标域 MRI 数据集上的脑肿瘤分割任务。结果证实脑肿瘤分割的精度显著提升。所提 ITL 方法可对医学图像分析领域作出重要贡献，因为我们开发了一个基础工具，以改进并推动基于医学图像的各类任务。
引用
@article{arxiv.2005.04906,
title = {An Inductive Transfer Learning Approach using Cycle-consistent Adversarial Domain Adaptation with Application to Brain Tumor Segmentation},
author = {Yuta Tokuoka and Shuji Suzuki and Yohei Sugawara},
journal= {arXiv preprint arXiv:2005.04906},
year = {2020}
}