面向医学图像诊断的协作式无监督域适应
机器学习
2019-11-19 v1 机器学习
摘要
基于深度学习的医学图像诊断在临床医学中已展现出巨大潜力。然而，实践中常面临两大困难：1）由于医学图像标注成本高昂，仅有有限标注样本可用；2）因诊断困难，标注图像可能含有相当数量的标签噪声（如错误标签）。本文旨在利用相关领域的丰富标注数据，借助无监督域适应（UDA）辅助目标任务的学习。与多数依赖干净标注数据或假设样本可同等迁移的现有 UDA 方法不同，我们提出一种新颖的协作式无监督域适应算法，以可迁移性感知的方式进行域适应并以协作方式克服标签噪声。令人鼓舞的实证结果验证了所提方法的优越性。
引用
@article{arxiv.1911.07293,
title = {Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis},
author = {Yifan Zhang and Ying Wei and Peilin Zhao and Shuaicheng Niu and Qingyao Wu and Mingkui Tan and Junzhou Huang},
journal= {arXiv preprint arXiv:1911.07293},
year = {2019}
}
备注
Medical Imaging meets NeurIPS, 2019