通过深度着色弥合自然图像与医学图像之间的鸿沟
计算机视觉与模式识别
2020-10-21 v2 医学物理
摘要
深度学习通过在大规模数据集上训练而蓬勃发展。然而，在许多应用中，如医学图像诊断，由于隐私、采集同质性缺乏以及标注成本等问题，获取海量数据仍然难以实现。在此情形下，从自然图像集合进行迁移学习是一种标准做法，试图通过预训练模型微调一次性解决形状、纹理和颜色差异。本工作中，我们提出解耦这些挑战并设计一个专注于颜色适应的专用网络模块。我们将颜色模块的从头学习与不同分类骨干网络的迁移学习相结合，获得了一种端到端、易于训练的用于 X 射线图像诊断识别的架构。大量实验表明，我们的方法在数据稀缺情况下尤为高效，并为进一步跨多个医学数据集迁移所学颜色信息提供了新路径。
引用
@article{arxiv.2005.10589,
title = {Bridging the gap between Natural and Medical Images through Deep Colorization},
author = {Lia Morra and Luca Piano and Fabrizio Lamberti and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2005.10589},
year = {2020}
}
备注
accepted for publication at ICPR2020