MultiMix：基于医学图像的稀疏监督极端多任务学习
计算机视觉与模式识别
2021-04-02 v2 机器学习
摘要
通过从有限数量的标注数据中进行学习，半监督学习已被研究作为有监督学习对应方法的替代方案。从大量未标注数据中最大化知识增益有利于半监督学习设置。此外，在同一模型中学习多个任务可进一步提高模型的泛化能力。我们提出了一种新颖的多任务学习模型，即 MultiMix，它以稀疏监督的方式联合学习疾病分类和解剖分割，同时通过连接两个任务的桥接显著性来保持可解释性。我们在训练集中使用不同数量的标注数据进行了广泛实验，证明了我们的多任务模型在胸部 X 射线图像肺炎分类和肺部分割方面的有效性。此外，跨任务的域内和跨域评估进一步展示了我们的模型适应具有挑战性的泛化场景的潜力。
引用
@article{arxiv.2010.14731,
title = {MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical Images},
author = {Ayaan Haque and Abdullah-Al-Zubaer Imran and Adam Wang and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:2010.14731},
year = {2021}
}
备注
Accepted to IEEE International Symposium on Biomedical Imaging (ISBI) 2021