对比质心监督缓解医学图像分类中的域偏移
计算机视觉与模式识别
2022-06-01 v1
摘要
基于深度学习的医学影像分类模型通常遭受域偏移问题，即当训练数据与真实世界数据在成像设备制造商、图像采集协议、患者人群等方面不同时，分类性能下降。我们提出特征质心对比学习（FCCL），其通过在训练时以实例与类质心之间的对比损失提供额外监督，可提升目标域分类性能。与当前无监督域适应和域泛化方法相比，FCCL表现更优，同时仅需来自单一源域的标注图像数据且不需要目标域。我们通过大量实验验证，FCCL在至少三种成像模态上可实现优越性能，即眼底照片、皮肤镜图像和H&E组织图像。
引用
@article{arxiv.2205.15658,
title = {Contrastive Centroid Supervision Alleviates Domain Shift in Medical Image Classification},
author = {Wenshuo Zhou and Dalu Yang and Binghong Wu and Yehui Yang and Junde Wu and Xiaorong Wang and Lei Wang and Haifeng Huang and Yanwu Xu},
journal= {arXiv preprint arXiv:2205.15658},
year = {2022}
}