接纳医学影像中的不和谐：一种简单有效的域适应框架
机器学习
2021-12-21 v3 图像与视频处理
摘要
域偏移，即训练与测试数据特征之间的不匹配，在多源影像场景中会导致预测性能显著下降。在医学影像中，不同站点人群、扫描仪与采集协议的异质性带来了显著的域偏移挑战，并限制了机器学习模型的广泛临床采用。旨在学习对这些差异不变的数据表示的一致性调和方法是解决域偏移的常用工具，但它们通常导致预测精度下降。本文从该问题的不同视角出发：我们接纳数据中的这种不和谐，并设计了一个简单但有效的框架来应对域偏移。基于我们的理论论证，其核心思想是在源数据上构建预训练分类器并将该模型适应到新数据。该分类器可针对站内域适应进行微调。我们也能处理无法获取目标数据真实标签的情况；我们展示了如何利用辅助任务进行适应；这些任务采用年龄、性别和种族等易于获取但与主任务相关的协变量。我们在大规模真实世界 3D 脑 MRI 数据集上，针对阿尔茨海默病与精神分裂症分类，展示了站内域适应与站间域泛化的实质性改进。
引用
@article{arxiv.2103.12857,
title = {Embracing the Disharmony in Medical Imaging: A Simple and Effective Framework for Domain Adaptation},
author = {Rongguang Wang and Pratik Chaudhari and Christos Davatzikos},
journal= {arXiv preprint arXiv:2103.12857},
year = {2021}
}