Domain Generalizer：一种用于医学影像领域泛化的少样本元学习框架
计算机视觉与模式识别
2020-08-19 v1 机器学习
图像与视频处理
摘要
当测试的目标（测试）数据域的分布与源（训练）域集合相似时，深度学习模型表现最佳。然而，当目标域与源域的底层统计特性存在显著差异时，模型泛化会受到阻碍。在这项工作中，我们基于模型无关元学习框架适配了一种领域泛化方法到生物医学成像中。该方法学习领域无关的特征表示，以改善模型对未见测试分布的泛化能力。该方法可用于任何成像任务，因为它不依赖于底层模型架构。我们通过在三个数据集上跨健康与病理病例的计算机断层扫描（CT）椎体分割任务验证了该方法。接下来，我们采用少样本学习，即使用来自未见域的极少样本训练泛化模型，以快速使模型适应新的未见数据分布。我们的结果表明，该方法有助于跨不同医疗中心、图像采集协议、解剖结构、给定扫描中的不同区域、不同成像模态下的健康与患病人群泛化模型。
引用
@article{arxiv.2008.07724,
title = {Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging},
author = {Pulkit Khandelwal and Paul Yushkevich},
journal= {arXiv preprint arXiv:2008.07724},
year = {2020}
}
备注
Medical Image Computing and Computer Assisted Interventions (MICCAI) 2020 to be presented at DART 2020. Supplementary material and link to code included