学习不变特征表示以改善胸 X 光数据集间的泛化能力
图像与视频处理
2020-08-11 v1 计算机视觉与模式识别
机器学习
摘要
胸部 X 光摄影是医院中最常见的用于筛查和诊断的医学影像检查。达到初级放射科医生水平的胸部 X 光自动判读可极大有益于工作优先级排序并辅助分析更大规模人群。随后，已有若干数据集和基于深度学习的方案被提出，以基于胸部 X 光图像识别疾病。然而，这些方法被证明易受数据来源偏移的影响：当在与训练数据相同的数据集上测试时表现良好的深度学习模型，在来自不同来源的数据集上测试时性能开始下降。在这项工作中，我们通过强制网络学习源不变表示来解决向新来源泛化的这一挑战。通过采用对抗训练策略，我们表明可以强制网络学习源不变表示。通过在多来源胸部 X 光数据集上的肺炎分类实验，我们表明该算法有助于提升在新来源 X 光数据集上的分类准确率。
引用
@article{arxiv.2008.04152,
title = {Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets},
author = {Sandesh Ghimire and Satyananda Kashyap and Joy T. Wu and Alexandros Karargyris and Mehdi Moradi},
journal= {arXiv preprint arXiv:2008.04152},
year = {2020}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2020), in conjunction with MICCAI 2020, Oct. 4, 2020