聚合数据集中用于病灶分割的队列偏置自适应
图像与视频处理
2022-05-19 v2 计算机视觉与模式识别
机器学习
摘要
许多为局灶性病理（如病灶、肿瘤）检测与分割开发的自动机器学习模型表现良好，但对新患者队列的泛化能力不佳，阻碍了其在真实临床环境中的广泛采用。创建更具多样性、可泛化训练集的一种策略是朴素地合并来自不同队列的数据集。令人惊讶的是，由于存在影响标签分布的队列偏置，在这种“大数据”上训练不一定提高、甚至可能降低整体性能与模型泛化能力。在本文中，我们提出一种广义仿射条件化框架，以学习并考虑多源数据集间的队列偏置，称之为源条件化实例归一化（SCIN）。通过在三个不同的、大规模、多扫描仪、多中心的多发性硬化症（MS）临床试验 MRI 数据集上的大量实验，我们表明我们的队列偏置自适应方法（1）相对于朴素合并数据集提升了网络在合并数据集上的性能，且（2）可通过微调实例归一化参数快速适应新队列，从而仅用 10 个带标签样本即可学习到新的队列偏置。
引用
@article{arxiv.2108.00713,
title = {Cohort Bias Adaptation in Aggregated Datasets for Lesion Segmentation},
author = {Brennan Nichyporuk and Jillian Cardinell and Justin Szeto and Raghav Mehta and Sotirios Tsaftaris and Douglas L. Arnold and Tal Arbel},
journal= {arXiv preprint arXiv:2108.00713},
year = {2022}
}
备注
Accepted at DART 2021