利用无监督域适应学习数值观测器
计算机视觉与模式识别
2020-02-25 v2 机器学习
机器学习
摘要
医学成像系统通常通过客观图像质量度量进行评估。已有研究采用有监督深度学习方法实现用于基于任务的影像质量评估的数值观测器。然而，标注大量实验数据以训练深度神经网络繁琐、昂贵且易产生主观误差。计算机模拟图像数据有望规避这些问题；但往往难以计算建模复杂的解剖结构、噪声源以及真实世界成像系统的响应。因此，模拟图像数据通常与其试图仿真的实验图像数据存在物理与统计差异。在机器学习中，这两组图像间的差异被称为域偏移(domain shift)。本研究提出并探究一种对抗性域适应方法，以减轻模拟与实验图像数据间域偏移对基于深度学习的数值观测器(DL-NOs)的有害影响——此类观测器在模拟图像上训练但应用于实验图像。所提方法中，DL-NO 先在计算机模拟图像数据上训练，随后无需任何标注实验图像即可适配实验图像数据。作为概念验证，考虑了一个二值信号检测任务。研究了该策略的成功率随模拟与实验图像数据间域偏移程度的变化关系。
引用
@article{arxiv.2002.03763,
title = {Learning Numerical Observers using Unsupervised Domain Adaptation},
author = {Shenghua He and Weimin Zhou and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2002.03763},
year = {2020}
}
备注
SPIE Medical Imaging 2020 (Oral)