用于数据协调的多阶段预测网络
机器学习
2019-07-29 v1 计算机视觉与模式识别
机器学习
摘要
本文将多任务学习(MTL)引入数据协调(DH)，旨在跨不同采集平台与站点协调图像。这使我们能够整合来自多次采集的信息，并提升协调模型的预测性能与学习效率。具体而言，我们提出多阶段预测(MSP)网络，这是一种MTL框架，将可能为不同架构、针对各独立采集平台训练的神经网络整合进一个统一精炼的更大架构中。MSP利用各单任务网络的高层特征作为附加神经网络的输入以指导最终预测，从而挖掘任务间的冗余性，充分利用有限的训练数据。我们在一个dMRI协调挑战数据集上验证方法，从旧扫描仪获取的数据预测三种现代平台类型。我们展示了如MSP这样的MTL架构相较当前最优方法将基于块的平均平方误差降低了约20%，且我们的MSP优于现成的MTL网络。代码见 https://github.com/sbb-gh/ 。
引用
@article{arxiv.1907.11629,
title = {Multi-Stage Prediction Networks for Data Harmonization},
author = {Stefano B. Blumberg and Marco Palombo and Can Son Khoo and Chantal M. W. Tax and Ryutaro Tanno and Daniel C. Alexander},
journal= {arXiv preprint arXiv:1907.11629},
year = {2019}
}
备注
Accepted In Medical Image Computing and Computer Assisted Intervention (MICCAI) 2019