面向无监督医学诊断的连续知识元适应学习
图像与视频处理
2022-09-22 v1 计算机视觉与模式识别
摘要
基于深度学习的计算机辅助诊断(CAD)在学术研究与临床应用中引起了广泛关注。然而,卷积神经网络(CNNs)诊断系统严重依赖标注良好的病灶数据集,且对数据分布变化的敏感性也限制了 CNNs 在 CAD 中的潜在应用。无监督域适应(UDA)方法被提出以解决标注昂贵与域间隙问题,并在医学图像分析中取得了显著成功。但现有 UDA 方法仅将源病灶域学到的知识适应到单一目标病灶域,这有悖于临床场景:待诊断的新无标签目标域总以在线且连续的方式到来。此外,由于新学知识覆盖旧知识(即灾难性遗忘),现有方法在先前学到的目标病灶域上性能急剧下降。为应对上述问题,我们提出一种名为连续病灶知识元适应(CLKM)的元适应框架,其主要由语义适应阶段(SAP)与表示适应阶段(RAP)组成,以在线连续方式学习诊断模型。在 SAP 中,从源病灶域学到的语义知识被迁移至连续目标病灶域。在 RAP 中,特征提取器被优化以对齐源域与多目标病灶域间可迁移的表示知识。
引用
@article{arxiv.2209.10425,
title = {Consecutive Knowledge Meta-Adaptation Learning for Unsupervised Medical Diagnosis},
author = {Yumin Zhang and Yawen Hou and Xiuyi Chen and Hongyuan Yu and Long Xia},
journal= {arXiv preprint arXiv:2209.10425},
year = {2022}
}