连接像素点：基于图神经网络的医学图像集成与分类
计算机视觉与模式识别
2023-11-14 v1
摘要
深度学习模型已在包括医学影像在内的多种计算机视觉任务中展现出卓越成果。然而，由于需要大量训练数据，而这类数据获取既困难又昂贵，其在医学领域的应用受到限制。为缓解此问题，预训练模型已在领域特定数据上微调，但这种方法可能存在归纳偏置。此外，深度学习模型难以学习空间上遥远特征之间的关系及其重要性，因为卷积操作平等对待所有像素。为开创性地解决这一挑战，我们采用 Image Foresting Transform 将图像最优分割为超像素。这些超像素随后被转换为图结构数据，从而能够利用图神经网络（GNNs）高效提取特征并建模关系。我们的方法借助三种不同 GNN 架构的集成来增强鲁棒性。在针对肺炎分类的评估中，我们的方法在性能上超越了主流深度神经网络（DNNs），同时大幅减少了参数量。这不仅降低了数据相关开销，还加速了训练并最小化了偏置。因此，我们的方案为医学图像分类提供了一种稳健、经济可行且可扩展的策略，显著减少了对大规模训练数据集的依赖。
引用
@article{arxiv.2311.07321,
title = {Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images},
author = {Aryan Singh and Pepijn Van de Ven and Ciarán Eising and Patrick Denny},
journal= {arXiv preprint arXiv:2311.07321},
year = {2023}
}
备注
Our code is available at https://github.com/aryan-at-ul/AICS_2023_submission