基于表示学习与神经形态计算的深度医学图像分析
图像与视频处理
2020-05-13 v1 计算机视觉与模式识别
机器学习
摘要
我们探索了三条具有代表性的研究路线，并在脑癌 MRI 数据的分类基准上展示了我们方法的效用。首先，我们提出了一种胶囊网络，其显式学习对旋转和仿射变换鲁棒的表示。该模型需要更少的训练数据，且优于原始卷积基线和先前的胶囊网络实现。其次，我们利用最新的域适应技术达到了新的最先进准确率。我们的实验表明，非医学图像可用于提升模型性能。最后，我们设计了一个在 Intel Loihi 神经形态芯片上训练的脉冲神经网络（图 1 展示了推理快照）。该模型在给定模型压缩的情况下以低得多的功耗实现了合理的准确率。我们假定，未来结合硬件与学习进展的该方向更多研究将推动医学成像的发展（设备端 AI、少样本预测、自适应扫描）。
引用
@article{arxiv.2005.05431,
title = {Deep Medical Image Analysis with Representation Learning and Neuromorphic Computing},
author = {Neil Getty and Thomas Brettin and Dong Jin and Rick Stevens and Fangfang Xia},
journal= {arXiv preprint arXiv:2005.05431},
year = {2020}
}
备注
8 pages, 7 figures