特征模仿网络提升深度学习在生物医学图像处理任务上的性能、可靠性与速度
图像与视频处理
2024-04-24 v2 计算机视觉与模式识别
机器学习
摘要
特征模仿网络(FINs)是一类首先被训练以逼近闭式统计特征（如熵），然后嵌入其他网络以增强其性能的神经网络。本工作中，我们首次对FINs在生物医学图像处理任务上进行了评估。我们首先训练一组FINs以模仿六种常见放射组学特征，然后比较较大网络（嵌入与不嵌入FINs）在三项实验任务上的性能：基于CT扫描的COVID-19检测、基于MRI扫描的脑肿瘤分类，以及基于MRI扫描的脑肿瘤分割。我们发现，与无FINs的基线网络相比，嵌入FINs的模型在所有三项任务上均提供了增强的性能，即便那些基线网络具有更多参数。此外，我们发现嵌入FINs的模型比具有相似或更大表示容量的基线网络收敛更快且更稳定。我们的实验结果提供的证据表明，FINs可能为多种其他生物医学图像处理任务提供SOTA性能。
引用
@article{arxiv.2306.14572,
title = {Feature Imitating Networks Enhance The Performance, Reliability And Speed Of Deep Learning On Biomedical Image Processing Tasks},
author = {Shangyang Min and Hassan B. Ebadian and Tuka Alhanai and Mohammad Mahdi Ghassemi},
journal= {arXiv preprint arXiv:2306.14572},
year = {2024}
}