胶囊网络应对医学影像数据挑战
计算机视觉与模式识别
2019-02-05 v1
摘要
深度学习成功的一个关键要素是海量训练数据的可得性。为求解医学图像分类问题而构建并标注大规模数据集，如今是许多应用的瓶颈。近来，胶囊网络被提出以处理卷积神经网络（ConvNets）的缺陷。在本工作中，我们在医学图像分析的典型数据集约束下——即少量标注数据与类别不平衡——比较了胶囊网络与 ConvNets 的行为。我们在 MNIST、Fashion-MNIST 以及医学（组织学与视网膜图像）公开数据集上评估了我们的实验。我们的结果表明，胶囊网络可用更少的数据训练以达到同等或更好的性能，并且对不平衡的类别分布更具鲁棒性，这使我们的方法对医学影像界极具前景。
引用
@article{arxiv.1807.07559,
title = {Capsule Networks against Medical Imaging Data Challenges},
author = {Amelia Jiménez-Sánchez and Shadi Albarqouni and Diana Mateus},
journal= {arXiv preprint arXiv:1807.07559},
year = {2019}
}
备注
10 pages, 3 figures, accepted at MICCAI-LABELS 2018 Workshop