用于医学影像小样本学习的非负子空间特征表示
计算机视觉与模式识别
2024-04-05 v2 人工智能
摘要
与典型的视觉场景识别领域不同，深度神经网络可以访问海量数据集，而医学图像解释常常受到数据匮乏的阻碍。在本文中，我们通过探索低维空间中不同的数据属性表示，研究了基于数据的小样本学习在医学影像中的有效性。我们在小样本学习中引入了不同类型的非负矩阵分解（NMF），以解决医学图像分类中的数据稀缺问题。进行了广泛的实证研究，以验证NMF的有效性，特别是其监督变体（例如，判别性NMF，以及具有稀疏性的监督约束NMF），并与主成分分析（PCA）（即基于特征向量的协作表示降维技术）进行比较。使用涵盖11种不同疾病类别的14个不同数据集，充分的实验结果和与相关技术的比较表明，NMF是PCA在医学影像小样本学习中的有竞争力的替代方案，并且监督NMF算法在子空间中更具判别性且更有效。此外，我们表明NMF的基于部分的表示，特别是其监督变体，在有限样本的医学影像中检测病变区域方面具有显著影响。
引用
@article{arxiv.2404.02656,
title = {Non-negative Subspace Feature Representation for Few-shot Learning in Medical Imaging},
author = {Keqiang Fan and Xiaohao Cai and Mahesan Niranjan},
journal= {arXiv preprint arXiv:2404.02656},
year = {2024}
}