数字病理学中深度神经网络的多任务预训练
图像与视频处理
2020-05-19 v2 计算机视觉与模式识别
机器学习
摘要
在本工作中，我们研究多任务学习作为一种为数字病理学分类任务预训练模型的方法。其动机在于，多年来社区已发布许多中小规模数据集，而该领域尚无类似 ImageNet 的大规模数据集。我们首先将许多数字病理学数据集组装并转换为包含22个分类任务和近90万张图像的池。然后，我们提出一种简单的架构和训练方案以创建可迁移模型，并给出鲁棒的评估与选择协议来评估我们的方法。根据目标任务的不同，我们表明用作特征提取器的模型要么显著优于 ImageNet 预训练模型，要么提供相当的性能。微调可改善特征提取的性能，并能弥补 ImageNet 特征缺乏特异性的问题，因为两种预训练来源均产生相当的性能。
引用
@article{arxiv.2005.02561,
title = {Multi-task pre-training of deep neural networks for digital pathology},
author = {Romain Mormont and Pierre Geurts and Raphaël Marée},
journal= {arXiv preprint arXiv:2005.02561},
year = {2020}
}
备注
Accepted for publication in the IEEE Journal of Biomedical and Health Informatics, special issue on Computational Pathology