用于改进半监督学习的贝叶斯体积自回归生成模型
机器学习
2019-07-29 v1 计算机视觉与模式识别
图像与视频处理
统计计算
机器学习
摘要
深度生成模型在医学影像中正迅速获得关注。然而，大多数生成架构难以捕捉体积数据的基础概率分布，存在收敛问题，且无法提供稳健的模型不确定性指标。相比之下，自回归生成模型PixelCNN可相对容易地扩展到体积数据，它直接尝试学习真实的底层概率分布，并且仍允许贝叶斯重构，从而为推理模型不确定性提供原则性框架。我们在本文中的贡献有两点：首先，我们扩展PixelCNN以处理体积脑磁共振成像数据。其次，我们展示将该模型重构以近似深度高斯过程，可得到一种不确定性度量，从而提升半监督学习的性能，尤其在标记数据比例较低情况下的分类性能。我们在分类、回归和语义分割任务上量化了这一改进，并在包含T1加权和扩散加权序列的临床磁共振脑成像数据上进行了训练和测试。
引用
@article{arxiv.1907.11559,
title = {Bayesian Volumetric Autoregressive generative models for better semisupervised learning},
author = {Guilherme Pombo and Robert Gray and Tom Varsavsky and John Ashburner and Parashkev Nachev},
journal= {arXiv preprint arXiv:1907.11559},
year = {2019}
}