用于生物医学图像分类的可变形 Gabor 特征网络
计算机视觉与模式识别
2020-12-09 v1
摘要
近年来，深度学习主导了医学图像分析领域的进展。然而我们发现，当前深度学习方法表示许多医学图像复杂几何结构的能力并不充分。一个局限在于深度学习模型需要海量数据，而获取具有必要细节的充足数据非常困难。第二个局限在于这些医学图像存在一些公认的底层特征，但现有卷积神经网络（CNN）的黑盒性质使我们无法利用它们。在本文中，我们重新审视 Gabor 滤波器，并引入可变形 Gabor 卷积（DGConv）以增强深度网络的可解释性并支持复杂空间变化。这些特征在可变形采样位置通过自适应 Gabor 卷积学习获得，从而提升对复杂物体的表示能力与鲁棒性。DGConv 替换了标准卷积层且易于端到端训练，由此构建的可变形 Gabor 特征网络（DGFN）仅增加极少参数与最小的额外训练成本。我们引入 DGFN 以解决在用于乳腺 X 光片的 INbreast 数据集和用于肺部 X 光图像的 ChestX-ray14 数据集上的深度多示例多标签分类问题。
引用
@article{arxiv.2012.04109,
title = {Deformable Gabor Feature Networks for Biomedical Image Classification},
author = {Xuan Gong and Xin Xia and Wentao Zhu and Baochang Zhang and David Doermann and Lian Zhuo},
journal= {arXiv preprint arXiv:2012.04109},
year = {2020}
}
备注
9 pages, 6 figures