学习通用肺部超声生物标志物以解耦特征提取与下游任务
图像与视频处理
2022-06-20 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
当代人工神经网络（ANN）以端到端方式训练，联合学习感兴趣任务的特征与分类器。尽管极为有效，该范式在组装带标注的任务特定数据集和训练大规模网络方面带来了显著成本。我们提出通过引入视觉生物标志物分类这一辅助预任务，将特征学习从下游肺部超声任务中解耦。我们证明，通过训练用于预测生物标志物标签的模型，可以从超声视频中学习到信息丰富、简洁且可解释的特征空间。值得注意的是，生物标志物特征提取器可由带有弱视频级监督标注的数据训练。这些特征可被面向不同临床任务（诊断、肺部严重程度、S/F 比）的多种下游专家模型使用。关键在于，任务特定专家模型在精度上可与直接为此类目标任务训练的端到端模型相媲美，而训练成本显著降低。
引用
@article{arxiv.2206.08398,
title = {Learning Generic Lung Ultrasound Biomarkers for Decoupling Feature Extraction from Downstream Tasks},
author = {Gautam Rajendrakumar Gare and Tom Fox and Pete Lowery and Kevin Zamora and Hai V. Tran and Laura Hutchins and David Montgomery and Amita Krishnan and Deva Kannan Ramanan and Ricardo Luis Rodriguez and Bennett P deBoisblanc and John Michael Galeotti},
journal= {arXiv preprint arXiv:2206.08398},
year = {2022}
}