面向胸部 X 光分类中域适应的持续学习
计算机视觉与模式识别
2020-09-24 v1 机器学习
摘要
近年来，深度学习已成功应用于广泛的医学应用。尤其在胸部 X 光分类领域，已有报道称其结果可与经验丰富的放射科医生媲美甚至更优。尽管在受控实验环境中取得成功，但已注意到深度学习模型泛化到新域（可能具有不同任务）数据的能力常常有限。为应对这一挑战，我们研究了持续学习（CL）领域的技术，包括联合训练（JT）、弹性权重巩固（EWC）和学习无遗忘（LWF）。使用 ChestX-ray14 和 MIMIC-CXR 数据集，我们经实证表明这些方法为提升深度学习模型在目标域上的性能以及有效缓解源域的灾难性遗忘提供了有前景的选择。为此，使用 JT 取得了最佳整体性能，而 LWF 也获得了有竞争力的结果——即便在不访问源域数据的情况下。
引用
@article{arxiv.2001.05922,
title = {Continual Learning for Domain Adaptation in Chest X-ray Classification},
author = {Matthias Lenga and Heinrich Schulz and Axel Saalbach},
journal= {arXiv preprint arXiv:2001.05922},
year = {2020}
}