基于任务增强情景训练的医疗影像分类域泛化
计算机视觉与模式识别
2021-06-15 v1 人工智能
摘要
由于扫描仪厂商、成像协议等差异,医疗影像数据集通常呈现域偏移。这引发了对机器学习模型泛化能力的担忧。域泛化(DG)旨在从多个源域学习模型,使其能直接泛化至未见测试域,对医疗影像界尤为前景可期。为应对 DG,近期引入了与模型无关的元学习(MAML),其将先前训练任务的知识迁移以促进新测试任务的学习。然而在临床实践中,通常仅有少量标注源域可用,这降低了训练任务生成的容量,从而增加了在该范式下对训练任务过拟合的风险。本文提出一种新颖的医疗影像分类任务增强情景训练 DG 方案。基于元学习,我们构建情景训练范式,以建立从情景训练任务模拟到 DG 真实测试任务的知识迁移。受实际医疗部署中源域数量有限的启发,我们考虑独特的任务级过拟合,并提出任务增强以在训练任务生成过程中增加多样性从而缓解该问题。借助所建立的学习框架,我们进一步利用一种新颖的元目标来正则化训练域的深度嵌入。为验证所提方法的有效性,我们在组织病理图像与腹部 CT 图像上进行了实验。
引用
@article{arxiv.2106.06908,
title = {Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation},
author = {Chenxin Li and Qi Qi and Xinghao Ding and Yue Huang and Dong Liang and Yizhou Yu},
journal= {arXiv preprint arXiv:2106.06908},
year = {2021}
}