面向医学图像诊断的协作式无监督域适应
计算机视觉与模式识别
2020-08-26 v1 图像与视频处理
摘要
基于深度学习的医学图像诊断在临床医学中展现出巨大潜力。然而，在真实应用中它常面临两大困难：1）由于医学图像标注成本高昂，可用于模型训练的标签有限；2）因疾病诊断困难，标注图像可能含有相当数量的标签噪声（如错误标签）。为解决这些问题，我们寻求利用相关领域中丰富的标注数据，通过无监督域适应（UDA, Unsupervised Domain Adaptation）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迁移性相同的 UDA 方法不同，我们创新地提出一种协作式无监督域适应算法，以协作方式执行感知可迁移性的适应并克服标签噪声。我们从理论上分析了所提方法的泛化性能，并在医学与通用图像上进行了实证评估。有前景的实验结果证明了该方法的优越性与泛化能力。
引用
@article{arxiv.2007.07222,
title = {Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis},
author = {Yifan Zhang and Ying Wei and Qingyao Wu and Peilin Zhao and Shuaicheng Niu and Junzhou Huang and Mingkui Tan},
journal= {arXiv preprint arXiv:2007.07222},
year = {2020}
}
备注
IEEE Transactions on Image Processing