通过比较学习：在 X 线片上以图像表示比较超越 ImageNet 预训练
计算机视觉与模式识别
2020-07-23 v3 机器学习
摘要
在深度学习时代，预训练模型在医学图像分析中扮演重要角色，其中 ImageNet 预训练被广泛采用为最佳方式。然而，不可否认自然图像与医学图像之间存在明显的领域鸿沟。为弥合这一鸿沟，我们提出一种新的预训练方法，其从 70 万张无任何人工标注的 X 线片中学习。我们称该方法为 Comparing to Learn（C2L），因其通过比较不同图像表示来学习鲁棒特征。为验证 C2L 的有效性，我们进行了全面的消融研究并在不同任务与数据集上评估它。在 X 线片上的实验结果表明，C2L 能显著优于 ImageNet 预训练及先前最先进的方法。代码与模型已公开。
引用
@article{arxiv.2007.07423,
title = {Comparing to Learn: Surpassing ImageNet Pretraining on Radiographs By Comparing Image Representations},
author = {Hong-Yu Zhou and Shuang Yu and Cheng Bian and Yifan Hu and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.07423},
year = {2020}
}
备注
MICCAI 2020 early accept; Code and pretrained models available at http://github.com/funnyzhou/C2L_MICCAI2020