基于子空间特征表示的医学影像推断少样本学习
数值分析
2023-06-21 v1 数值分析
摘要
与视觉场景识别领域因拥有超大数据集训练深度神经网络而取得巨大进展不同，医学图像推断常受限于仅有少量数据可用。在处理仅约数百项数据的极小型数据集问题时，仍可通过使用在自然图像上预训练的模型作为特征提取器，并在该特征空间中执行经典模式识别技术（即所谓少样本学习问题）来发挥深度学习的威力。当该特征空间维度与数据项数相当甚至更大时，降维是必要的，且常通过主成分分析亦即奇异值分解（SVD）实现。本文注意到 SVD 在此设定下的不适用性，引入并探讨了基于判别分析和非负矩阵分解（NMF）的两种替代方案。利用涵盖 种不同疾病类型的 14 个数据集，我们证明低维判别子空间相较基于 SVD 的子空间及原始特征空间取得显著改进。我们还表明，适中维度的 NMF 在此设定下是 SVD 的竞争性替代方案。
引用
@article{arxiv.2306.11152,
title = {Few-shot Learning for Inference in Medical Imaging with Subspace Feature Representations},
author = {Jiahui Liu and Keqiang Fan and Xiaohao Cai and Mahesan Niranjan},
journal= {arXiv preprint arXiv:2306.11152},
year = {2023}
}