基于多任务学习的脑出血标记识别：SwinTransformer 与 Swin-Unet
机器学习
2025-05-14 v2 计算机视觉与模式识别
摘要
本文提出了一种用于分类和语义分割的基于转换器的多任务学习方法 MTL-Swin-Unet。为解决虚假关联问题，该方法允许我们通过两种其他图像表示来增强图像表示：一种是通过语义分割获得的表示，另一种是通过图像重建获得的表示。在我们的实验中，提出的方法在包含来自同一患者切片的测试数据（无协变量漂移）时，F-value 指标优于其他分类器。同样，在测试数据不包含来自同一患者的切片（协变量漂移情形）时，提出的方法在 AUC 指标上优于其他方法。
引用
@article{arxiv.2505.06185,
title = {Brain Hematoma Marker Recognition Using Multitask Learning: SwinTransformer and Swin-Unet},
author = {Kodai Hirata and Tsuyoshi Okita},
journal= {arXiv preprint arXiv:2505.06185},
year = {2025}
}
备注
8 pages,4 figures