基于正则化迁移学习的面部解剖标志检测及其在胎儿酒精综合征识别中的应用

由产前酒精暴露引起的胎儿酒精综合征（FAS）可导致一系列颅面异常以及行为和神经认知问题。目前FAS的诊断通常通过识别一组面部特征来完成，这些特征往往通过人工检查获得。提供丰富几何信息的解剖标志检测对于检测FAS相关面部异常的存在十分重要。该成像应用的特点是数据外观差异大且标注数据有限。当前为自然图像中面部标志检测设计的基于深度学习的热力图回归方法假设有大量数据集可用，因此并不适合该应用。为解决此限制，我们提出了一种新的正则化迁移学习方法，利用在大型人脸识别数据集上学习的网络知识。与侧重于调整预训练权重的标准迁移学习不同，所提学习方法对模型行为进行正则化。它显式地在目标任务数据上复用领域相似源模型的丰富视觉语义，作为正则化标志检测优化的额外监督信号。具体而言，我们为所提迁移学习开发了四种正则化约束，包括约束分类层和中间层的特征输出，以及在空间和通道级别上匹配激活注意力图。在收集的临床成像数据集上的实验评估表明，所提方法在有限训练样本下能有效提升模型泛化性，且优于文献中其他方法。