利用支持事实增强医学视觉问答
计算机视觉与模式识别
2019-05-30 v1 人工智能
计算与语言
机器学习
摘要
在这篇工作笔记论文中，我们描述了IBM Research AI (Almaden)团队参加ImageCLEF 2019 VQA-Med竞赛的情况。该挑战赛包含四个基于放射学图像的问答任务。成像模态、器官和疾病类型的多样性，加上小且不平衡的训练集，使这成为一个高度复杂的问题。为了克服这些困难，我们实现了一个利用迁移学习和多任务学习的模块化流水线架构。我们的发现促成了一种名为支持事实网络（SFN）的新模型的开发。SFN背后的主要思想是交叉利用上游任务的信息，以提高较难的下游任务的准确率。这种方法显著提高了在验证集上取得的分数（F-1分数提高了18个百分点）。最终，我们向竞赛提交了四次运行结果并排名第七。
引用
@article{arxiv.1905.12008,
title = {Leveraging Medical Visual Question Answering with Supporting Facts},
author = {Tomasz Kornuta and Deepta Rajan and Chaitanya Shivade and Alexis Asseman and Ahmet S. Ozcan},
journal= {arXiv preprint arXiv:1905.12008},
year = {2019}
}
备注
Working notes from the ImageCLEF 2019 VQA-Med competition