证据赋能的迁移学习用于阿尔茨海默病诊断
图像与视频处理
2023-04-18 v4 计算机视觉与模式识别
机器学习
摘要
迁移学习已被广泛用于缓解阿尔茨海默病（AD）领域的数据稀缺问题。常规迁移学习依赖于重用在与 AD 无关的任务（如自然图像分类）上训练的模型。然而，由于非医学源域与目标医学域之间的差异，它常导致负迁移。为此，我们提出用于 AD 诊断的证据赋能迁移学习。与常规方法不同，我们利用一项与 AD 相关的辅助任务，即形态学变化预测，且无需额外的 MRI 数据。在该辅助任务中，诊断模型从 MRI 扫描的形态学特征中学习可证据化且可迁移的知识。实验结果表明，我们的框架不仅在任何模型容量下都能有效提升检测性能，而且具有更高的数据效率和可解释性。
引用
@article{arxiv.2303.01105,
title = {Evidence-empowered Transfer Learning for Alzheimer's Disease},
author = {Kai Tzu-iunn Ong and Hana Kim and Minjin Kim and Jinseong Jang and Beomseok Sohn and Yoon Seong Choi and Dosik Hwang and Seong Jae Hwang and Jinyoung Yeo},
journal= {arXiv preprint arXiv:2303.01105},
year = {2023}
}
备注
Accepted to IEEE International Symposium on Biomedical Imaging (ISBI) 2023. The authorship was changed from co-first authors to a single first author, which was authorized by the adviser/corresponding author Jinyoung Yeo (Apr 18th, 2023)