生物医学图像上的机器学习：交互式学习、迁移学习、类别不平衡及展望
计算机视觉与模式识别
2019-02-18 v1
摘要
在本文中，我们强调了限制机器学习在生物医学图像上性能的三个问题，并通过 3 个案例研究加以解决：1) 交互式机器学习 (IML)：我们展示了 IML 如何能够大幅缩短直接体绘制的探索时间并提升其质量。2) 迁移学习：我们展示了迁移学习结合智能预处理如何在使用小得多的训练集的情况下实现更好的阿尔茨海默病诊断。3) 数据不平衡：我们展示了我们新颖的 focal Tversky 损失函数如何考虑到分割数据集的不平衡特性，从而提供更好的分割结果。这些案例研究伴随对结果的深入分析讨论及可能的未来方向。
引用
@article{arxiv.1902.05908,
title = {Machine Learning on Biomedical Images: Interactive Learning, Transfer Learning, Class Imbalance, and Beyond},
author = {Naimul Mefraz Khan and Nabila Abraham and Ling Guan},
journal= {arXiv preprint arXiv:1902.05908},
year = {2019}
}
备注
Accepted at IEEE MIPR 2019. arXiv admin note: text overlap with arXiv:1810.07842