利用无监督域适应缓解基于人工智能的结核病筛查中的域偏移
图像与视频处理
2021-11-10 v1 计算机视觉与模式识别
摘要
我们证明了域不变特征学习（DIFL）能够提升深度学习结核病筛查算法的域外泛化能力。众所周知，最先进的深度学习算法常因“域偏移”而难以泛化至未见的数据分布。在医学影像背景下，这可能导致非预期偏差，例如无法从某一患者群体泛化到另一患者群体。我们使用四个最流行的、具有地理多样化图像来源的公开数据集，分析了 ResNet-50 分类器用于结核病筛查的性能。我们表明，若无域适应，ResNet-50 难以在来自地理分布区域的多个公开结核病筛查数据集的影像分布之间泛化。然而，引入 DIFL 后，域外性能大幅提升。分析标准包括对比基线算法与 DIFL 增强算法在准确率、灵敏度、特异度及 AUC 上的表现。我们得出结论：DIFL 在跨多种公开数据集应用时，提升了结核病筛查的泛化能力，同时在源域影像上保持了可接受的准确率。
引用
@article{arxiv.2111.04893,
title = {Mitigating domain shift in AI-based tuberculosis screening with unsupervised domain adaptation},
author = {Nishanjan Ravin and Sourajit Saha and Alan Schweitzer and Ameena Elahi and Farouk Dako and Daniel Mollura and David Chapman},
journal= {arXiv preprint arXiv:2111.04893},
year = {2021}
}