面向大规模医学图像自标注的深度变分聚类框架
计算机视觉与模式识别
2021-09-23 v1 机器学习
图像与视频处理
摘要
我们提出了一种深度变分聚类（DVC）框架，用于大规模医学图像的无监督表示学习与聚类。DVC通过概率卷积编码器学习多元高斯后验，并通过概率卷积解码器学习似然分布，同时优化聚类标签分配。此处，学习到的多元高斯后验捕捉了大量无标签图像的潜在分布。随后，我们在变分潜在空间上使用聚类损失执行无监督聚类。在该方法中，概率解码器有助于防止数据点在潜在空间中的畸变，并保留数据生成分布的局部结构。训练过程可视为一个自训练过程，以精炼潜在空间并迭代地同时优化聚类分配。我们在三个代表不同医学成像模态的公开数据集上评估了所提出的框架。实验结果表明，我们的框架在不同数据集上具有更好的泛化能力，并在多个医学成像基准上取得了引人注目的结果。因此，我们的方法在现实应用中相比传统深度无监督学习具有潜在优势。该方法的源代码及所有实验均已公开于：https://github.com/csfarzin/DVC
引用
@article{arxiv.2109.10777,
title = {Deep Variational Clustering Framework for Self-labeling of Large-scale Medical Images},
author = {Farzin Soleymani and Mohammad Eslami and Tobias Elze and Bernd Bischl and Mina Rezaei},
journal= {arXiv preprint arXiv:2109.10777},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2109.05232