基于大量未标注多源医学图像数据的广义多任务学习
计算机视觉与模式识别
2023-06-29 v1
摘要
基于深度学习的模型在以全监督方式训练时，能够有效执行复杂的图像分析任务，但这依赖于大规模标注数据集的可用性。然而，尤其在医学影像领域，专家图像标注成本高昂、耗时且容易出现差异。从有限数量的标注数据进行半监督学习已展现出作为一种替代方案的潜力。从大量未标注数据中最大化知识增益有益于半监督学习模型。此外，在同一模型中学习多个任务可进一步提升其泛化能力。我们提出 MultiMix，一种新颖的多任务学习模型，它以半监督方式联合学习疾病分类与解剖分割，同时通过两个任务间新颖的显著性桥接保持可解释性。我们在训练集中使用不同数量的多源标注数据进行的实验，证实了 MultiMix 在胸部 X 光图像中同步分类肺炎与分割肺部的有效性。此外，这些任务的域内与跨域评估进一步展示了我们的模型适应具有挑战性的泛化场景的潜力。
引用
@article{arxiv.2110.13185,
title = {Generalized Multi-Task Learning from Substantially Unlabeled Multi-Source Medical Image Data},
author = {Ayaan Haque and Abdullah-Al-Zubaer Imran and Adam Wang and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:2110.13185},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/