寻找脑图像分割中最具可迁移性的任务

尽管许多研究已成功将迁移学习应用于医学图像分割，但极少有研究探讨当存在多个可用源任务进行迁移时的选择策略。本文中，我们提出了一种由先验知识引导且基于可迁移性的框架，在一组脑图像分割任务中挑选最佳源任务，以提升给定目标任务上的迁移学习性能。该框架由模态分析、感兴趣区域（RoI）分析与可迁移性估计组成，从而可逐步精炼源任务选择。具体而言，我们将最先进的分析式可迁移性估计度量适配于医学图像分割任务，并进一步表明基于模态与 RoI 特征筛选候选源任务可显著增强其性能。我们在脑实质、脑肿瘤及白质高信号分割数据集上的实验表明，在相同模态下从不同任务迁移通常比在不同模态下从同一任务迁移更为成功。此外，在同一模态内，从与目标任务具有更强 RoI 形状相似性的源任务迁移可显著提升最终迁移性能。而这种相似性可利用标签空间中的结构相似性指数来刻画。