借助知识迁移增强非肿块型乳腺超声癌症分类
图像与视频处理
2022-04-20 v1 计算机视觉与模式识别
摘要
基于深度神经网络(DNN)的肿块型病灶乳腺超声(BUS)图像诊断已取得诸多进展。然而，由于数据有限，非肿块型病灶研究较少。基于肿块数据充足且与非肿块数据在依据超声图像判别病灶恶性与否上共享相同知识结构这一洞见，我们提出一种新颖的迁移学习框架，借助肿块 BUS 增强非肿块 BUS 的 DNN 模型泛化能力。具体而言，我们用肿块与非肿块组合数据训练一个共享 DNN。考虑到输入与输出空间中不同边际分布的先验，我们在所提迁移学习框架中采用两种域对齐策略，以捕捉域特定分布解决域偏移问题。此外，我们提出一个称为 CrossMix 的跨域语义保持数据生成模块，以恢复训练数据中未呈现的非肿块与肿块数据间缺失的分布。在内部数据集上的实验结果表明，经我们框架用组合数据训练的 DNN 模型在非肿块 BUS 恶性预测任务上的 AUC 比直接在非肿块数据上训练提升 10%。
引用
@article{arxiv.2204.08478,
title = {Enhancing Non-mass Breast Ultrasound Cancer Classification With Knowledge Transfer},
author = {Yangrun Hu and Yuanfan Guo and Fan Zhang and Mingda Wang and Tiancheng Lin and Rong Wu and Yi Xu},
journal= {arXiv preprint arXiv:2204.08478},
year = {2022}
}
备注
4pages. Accepted by ISBI2022