基于迁移学习的肝脏病灶联合分割与分类
图像与视频处理
2020-05-26 v2 计算机视觉与模式识别
摘要
迁移学习与联合学习方法被广泛用于提升卷积神经网络（CNNs）的性能。在目标数据集通常很小的医学影像应用中，迁移学习改善了特征学习，而联合学习已显示出提升网络泛化能力与鲁棒性的有效性。本工作中，我们研究将这两种方法结合用于肝脏病灶分割与分类问题。为此，评估了 332 张包含三类病灶分割与分类的腹部 CT 切片。对于特征学习，使用了 MICCAI 2017 肝脏肿瘤分割（LiTS）挑战赛数据集。联合学习在分割与分类结果上均显示出提升。我们表明，一个简单的联合框架优于常用的多任务架构（Y-Net），分类准确率提升 10%，而 Y-Net 仅提升 3%。
引用
@article{arxiv.2004.12352,
title = {Joint Liver Lesion Segmentation and Classification via Transfer Learning},
author = {Michal Heker and Hayit Greenspan},
journal= {arXiv preprint arXiv:2004.12352},
year = {2020}
}
备注
Accepted to MIDL 2020