基于有限三元组的少样本迁移学习改进胸部 X 光病理检测
图像与视频处理
2022-04-19 v1 计算机视觉与模式识别
摘要
应用于医学影像的深度学习在许多诊断任务上已达到接近或超过人类的性能。例如，关于胸部 X 光病理检测的 CheXpert 竞赛已展现出优异的多分类性能。然而，训练和验证深度学习模型需要海量图像集合，且仍会产生被人在回路（human-in-the-loop）识别出的错误推断。在本文中，我们提出一种实用方法，通过少样本学习（FSL）改进预训练模型的预测。在训练和验证某一模型后，收集少量错误推断图像，使用图像三元组（Image Triplets）——一个假阳性或假阴性、一个真阳性以及一个真阴性——对模型进行重训练。重训练后的 FSL 模型仅以极少轮次和少量图像便带来显著的性能提升。此外，FSL 为人在回路系统提供了快速重训练的机会，放射科医生可重新标注错误推断，模型得以迅速重训练。我们将重训练后的模型性能与医学影像中一次性训练并评估模型的现有 FSL 方法进行了比较。
引用
@article{arxiv.2204.07824,
title = {Few-Shot Transfer Learning to improve Chest X-Ray pathology detection using limited triplets},
author = {Ananth Reddy Bhimireddy and John Lee Burns and Saptarshi Purkayastha and Judy Wawira Gichoya},
journal= {arXiv preprint arXiv:2204.07824},
year = {2022}
}