用于医学影像的远距离域迁移学习
图像与视频处理
2020-12-14 v1 机器学习
摘要
医学图像处理是医疗物联网 (IoMT) 领域最重要的课题之一。近来，深度学习方法在医学图像任务上取得了最先进的性能。然而，传统深度学习有两个主要缺点：1) 训练数据不足；2) 训练数据与测试数据之间的域失配。本文中，我们提出一种用于医学图像分类的远距离域迁移学习 (DDTL) 方法。此外，我们将我们的方法应用于一个近期问题（冠状病毒诊断）。若干当前研究表明肺计算机断层扫描 (CT) 图像可用于快速准确的 COVID-19 诊断。然而，由于该疾病的新颖性和若干隐私政策，良好标注的训练数据不易获取。此外，所提方法包含两个组件：缩减尺寸 Unet 分割模型和远距离特征融合 (DFF) 分类模型。它涉及一个未被充分研究但重要的迁移学习问题，称为远距离域迁移学习 (DDTL)。DDTL 旨在即使域或任务完全不同也能进行有效迁移。在本研究中，我们开发了一个用于 COVID-19 诊断的 DDTL 模型，使用未标注的 Office-31、Catech-256 和胸部 X 射线图像数据集作为源数据，以及一小部分 COVID-19 肺部 CT 作为目标数据。本研究的主要贡献：1) 所提方法受益于易于获取的来自远距离域的未标注数据；2) 它能有效处理训练数据与测试数据之间的分布偏移；3) 它达到了 96% 的分类准确率，比“非迁移”算法高 13%，比现有迁移和远距离迁移算法高 8%。
引用
@article{arxiv.2012.06346,
title = {Distant Domain Transfer Learning for Medical Imaging},
author = {Shuteng Niu and Meryl Liu and Yongxin Liu and Jian Wang and Houbing Song},
journal= {arXiv preprint arXiv:2012.06346},
year = {2020}
}