众任务易举：从多个合成任务中学习定位医学异常
计算机视觉与模式识别
2023-07-04 v1
摘要
随着全监督机器学习模型无法可靠识别其训练未包含类别的问题日益凸显，单类建模与分布外检测受到越来越多的关注。现实场景（例如筛查、分诊和质量控制）中无限多的分布外类别长尾意味着，通常有必要训练代表预期特征分布的单类模型，例如仅基于严格健康志愿者数据。传统的监督机器学习需要收集包含每种成像模态下所有可能疾病足够样本的数据集，这并不现实。具有合成异常的自监督学习方法目前是最有前景的方法之一，此外还有分析残差重建误差的生成式自编码器。然而，所有方法都缺乏结构化验证，导致部署时的校准困难且依赖数据集。我们的方法通过在训练和验证中利用多个视觉上不同的合成异常学习任务来缓解此问题。这实现了更鲁棒的训练与泛化。借助我们的方法，我们可以轻松超越最先进的方法，并在脑 MRI 与胸部 X 光片中予以证明。代码见 https://github.com/matt-baugh/many-tasks-make-light-work 。
引用
@article{arxiv.2307.00899,
title = {Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks},
author = {Matthew Baugh and Jeremy Tan and Johanna P. Müller and Mischa Dombrowski and James Batten and Bernhard Kainz},
journal= {arXiv preprint arXiv:2307.00899},
year = {2023}
}
备注
Early accepted to MICCAI 2023