面向通用二维医学图像分类的干扰物感知神经元内在学习
计算机视觉与模式识别
2020-07-22 v2
摘要
医学图像分析惠及计算机辅助诊断(Computer Aided Diagnosis, CADx)。一种基础的分析方法是对医学图像进行分类，其服务于皮肤病变诊断、糖尿病视网膜病变分级以及组织学图像上的癌症分类。在学习这些判别分类器时，我们观察到卷积神经网络(CNNs)易受干扰物干扰。这是由于不同类别间样本外观相似(即类间距离小)。现有尝试通过经验估计干扰物对分类器的潜在影响来从输入图像中选取干扰物。这些干扰物如何影响CNN分类的本质尚不清楚。本文中，我们通过提出一种神经元内在学习方法来从CNN特征空间探索干扰物。我们构造了一种新颖的干扰物感知损失，其在特征空间中鼓励原始图像与其干扰物之间的大距离。该新颖损失与原始分类损失相结合，通过反向传播更新网络参数。神经元内在学习首先探索对深度分类器至关重要的干扰物，随后利用它们从本质上增强CNN的鲁棒性。在医学图像基准数据集上的大量实验表明，所提方法优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.2007.09979,
title = {Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications},
author = {Lijun Gong and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.09979},
year = {2020}
}
备注
MICCAI2020