利用半监督深度学习改进结肠镜病变分类
计算机视觉与模式识别
2021-01-22 v1
摘要
尽管数据驱动方法在许多图像分析任务中表现出色，但这些方法的性能常受限于可用于训练的标注数据不足。半监督学习近期的研究表明，利用大量无标注数据训练可获得有意义的图象表示，且这些表示能提升监督任务的性能。在此，我们证明无监督拼图学习任务与监督训练相结合，相比全监督基线，在结肠镜图像病变正确分类上可带来最高 9.8% 的提升。我们还对域适应和分布外检测的改进进行了基准测试，并证明半监督学习在两种情况中均优于监督学习。在结肠镜应用中，鉴于内镜评估病变所需的技能、在用内镜系统的多样性以及标注数据集典型的同质性，这些指标十分重要。
引用
@article{arxiv.2009.03162,
title = {Improving colonoscopy lesion classification using semi-supervised deep learning},
author = {Mayank Golhar and Taylor L. Bobrow and MirMilad Pourmousavi Khoshknab and Simran Jit and Saowanee Ngamruengphong and Nicholas J. Durr},
journal= {arXiv preprint arXiv:2009.03162},
year = {2021}
}
备注
10 pages, 5 figures