DeepMCAT：面向医学图像分类的大规模深度聚类方法
图像与视频处理
2021-10-04 v1 计算机视觉与模式识别
机器学习
摘要
近年来，医学影像中机器学习的研究格局已从监督方法大幅转向半监督、弱监督或无监督方法。这主要是因为人工获取真值标签耗时且昂贵。从患者元数据生成标签或许可行，但会受到人为错误带来的偏差影响。在本工作中，我们提出一种无监督方法，用于自动聚类并分类大规模医学图像数据集，重点关注心脏MR图像，且不使用任何标签。我们研究了在类别平衡与不平衡的大规模数据集上的端到端训练。我们的方法能够生成高纯度的聚类，并在这些数据集上实现了超过0.99的聚类纯度。结果表明了所提方法在分类非结构化大型医学数据库（如医院中整理临床PACS系统）方面的潜力。
引用
@article{arxiv.2110.00109,
title = {DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization},
author = {Turkay Kart and Wenjia Bai and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:2110.00109},
year = {2021}
}
备注
Accepted for the DALI workshop at MICCAI 2021 (full oral)