用于解剖标志点检测的跨任务表示学习

近来，对自动检测解剖标志点的需求日益增长，其提供丰富的结构信息以促进后续医学图像分析。当前与该任务相关的方法常利用深度神经网络的力量，而在医学应用中微调此类模型的主要挑战源于标记样本数量不足。为此，我们提出通过跨任务表示学习来正则化源任务与目标任务间的知识迁移。所提方法在提取面部解剖标志点中得到验证，其促进胎儿酒精综合征的诊断。本工作中的源任务与目标任务分别为人脸识别与标志点检测。所提方法的主要思想是保留源模型在目标任务数据上的特征表示，并将其作为额外的监督信号源以正则化目标模型学习，从而在有限训练样本下提升其性能。具体而言，我们给出两种所提表示学习的途径，通过约束目标模型的最终或中间模型特征来实现。在临床面部图像数据集上的实验结果表明，所提方法在少量标记数据下表现良好，并优于其他对比方法。