以监督式多任务学习扩展无监督神经图像压缩
图像与视频处理
2020-04-16 v1 计算机视觉与模式识别
机器学习
摘要
我们致力于解决在十亿像素组织病理学图像上训练卷积神经网络以预测图像级目标的问题。为此，我们扩展了神经图像压缩（Neural Image Compression, NIC）——一种利用无监督训练的编码器网络降低这些图像维度的图像压缩框架。我们提出改用监督式多任务学习（MTL）来训练该编码器。我们将所提出的 MTL NIC 应用于两个组织病理学数据集和三项任务。首先，我们在 2016 年肿瘤增殖评估挑战赛（TUPAC16）中取得了最先进的成果。其次，我们成功地对结直肠肝转移（CLM）图像中的组织病理学生长模式进行了分类。第三，我们通过直接从同一 CLM 数据中的总生存期学习来预测患者死亡风险。我们的实验结果表明，由 MTL 目标学习到的表征具有：（1）高度特异性，源于监督训练信号；（2）可迁移性，因为相同的特征在不同任务上均表现良好。此外，我们训练了多个具有不同训练目标（例如无监督和 MTL 变体）的编码器，并观察到 MTL 中任务数量与系统在 TUPAC16 数据集上的性能之间存在正相关。
引用
@article{arxiv.2004.07041,
title = {Extending Unsupervised Neural Image Compression With Supervised Multitask Learning},
author = {David Tellez and Diederik Hoppener and Cornelis Verhoef and Dirk Grunhagen and Pieter Nierop and Michal Drozdzal and Jeroen van der Laak and Francesco Ciompi},
journal= {arXiv preprint arXiv:2004.07041},
year = {2020}
}
备注
Medical Imaging with Deep Learning 2020 (MIDL20)