用于识别遗传性疾病面部表型的少样本元学习
计算机视觉与模式识别
2023-05-25 v2 多媒体
摘要
基于计算机视觉的方法在精准医学中具有宝贵用例，识别遗传性疾病的面部表型便是其中之一。已知许多遗传性疾病会影响面部的视觉外观与几何形态。自动分类与相似性检索可辅助医师尽早诊断可能的遗传状况以进行决策。先前工作将该问题作为分类问题并使用深度学习方法。实践中的挑战性问题在于标签分布稀疏以及各类别间严重的类不平衡。此外，大多数疾病在训练集中仅有少量标注样本，使得表征学习与泛化对于获取可靠特征描述符至关重要。本研究中，我们使用在大量健康个体语料上训练的面部识别模型作为预任务，并将其迁移至面部表型识别。此外，我们构建了少样本元学习方法的简单基线以改进基础特征描述符。在GestaltMatcher数据库上的定量结果表明，我们的CNN基线超越了包括GestaltMatcher在内的先前工作，且少样本元学习策略提升了频繁与罕见类的检索性能。
引用
@article{arxiv.2210.12705,
title = {Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders},
author = {Ömer Sümer and Fabio Hellmann and Alexander Hustinx and Tzung-Chien Hsieh and Elisabeth André and Peter Krawitz},
journal= {arXiv preprint arXiv:2210.12705},
year = {2023}
}
备注
This paper is accepted for publication at MIE 2023 Conference