基于随机判别子空间集成的胸片少样本诊断
计算机视觉与模式识别
2023-09-04 v1
摘要
由于医学领域标注数据的稀缺，少样本学习可能有助于医学图像分析任务。我们设计了一种使用随机子空间集成的少样本学习方法，用于胸片（CXR）诊断。我们的设计计算高效，比使用流行的截断奇异值分解（t-SVD）进行子空间分解的方法快近1.8倍。所提方法通过最小化一个新的损失函数进行训练，该损失函数有助于在判别子空间中形成分离良好的训练数据簇。因此，最小化该损失可最大化子空间之间的距离，使其具有判别性并辅助更好的分类。在大规模公开可用CXR数据集上的实验取得了有前景的结果。项目代码将发布于 https://github.com/Few-shot-Learning-on-chest-x-ray/fsl_subspace。
引用
@article{arxiv.2309.00081,
title = {Few-shot Diagnosis of Chest x-rays Using an Ensemble of Random Discriminative Subspaces},
author = {Kshitiz and Garvit Garg and Angshuman Paul},
journal= {arXiv preprint arXiv:2309.00081},
year = {2023}
}
备注
ICLR MLGH Workshop 2023