多域模型改善医学图像分析中的分布外与数据受限场景
图像与视频处理
2024-07-08 v3 计算机视觉与模式识别
机器学习
摘要
当前用于医学图像分析的机器学习方法主要侧重于开发针对特定任务的模型，并利用其目标域内的数据。这些专用模型往往数据需求量大，且在泛化到分布外样本时常常表现出局限性。在本工作中，我们表明采用融合多域的模型而非专用模型，可显著缓解专用模型所观察到的局限。我们将此方法称为多域模型，并将其性能与专用模型进行比较。为此，我们引入多种医学图像域的融合，包括不同成像模态（如X射线、MRI、CT和超声图像）以及不同视角（如轴位、冠状位和矢状位视图）。我们的发现强调了多域模型优越的泛化能力，尤其在数据有限和分布外这类医疗应用中频繁遇到的场景中。多域数据的融合使模型能够跨域利用信息，从而大幅提升整体结果。举例而言，在器官识别中，多域模型相比传统专用模型可将准确率提高至多8%。
引用
@article{arxiv.2310.06737,
title = {Multi-domain improves out-of-distribution and data-limited scenarios for medical image analysis},
author = {Ece Ozkan and Xavier Boix},
journal= {arXiv preprint arXiv:2310.06737},
year = {2024}
}