探索医学图像分类问题的相似性
计算机视觉与模式识别
2017-06-13 v1
摘要
监督学习在医学图像分析中无处不在。在本文中，我们考虑元学习问题——即在给定其他分类问题的先前经验的情况下，预测哪些方法在未见的分类问题中表现良好。我们研究了这种方法的第一步：如何量化不同分类问题的相似性。我们通过简单分类器的性能排名来表征从六个分类问题中采样的数据集，并将该相似性定义为此元特征空间中欧几里得距离的倒数。我们在二维空间中可视化这些相似性，其中开始出现有意义的聚类，并表明所提出的表示可用于以 89.3\% 的准确率根据数据集的来源对其进行分类。这些发现连同对机器学习近期趋势的观察表明，元学习可能成为医学图像分析领域的宝贵工具。
引用
@article{arxiv.1706.03509,
title = {Exploring the similarity of medical imaging classification problems},
author = {Veronika Cheplygina and Pim Moeskops and Mitko Veta and Behdad Dasht Bozorg and Josien Pluim},
journal= {arXiv preprint arXiv:1706.03509},
year = {2017}
}