用于宫颈上皮内瘤变视觉检查的基于原型的跨域知识迁移
计算机视觉与模式识别
2023-08-22 v1
摘要
宫颈上皮内瘤变的早期检测对宫颈癌治疗至关重要。然而，通过视觉检查实现自动宫颈上皮内瘤变诊断——其在资源匮乏环境中更为适用——仍是一个具有挑战性的问题。尽管近期深度学习模型已取得可喜结果，其性能仍因可用宫颈数据集规模有限而显著受限。不同于以往从单一数据集学习的方法，我们提出利用在不同但相关的临床研究中收集的跨域宫颈图像，以提升模型在目标宫颈数据集上的性能。为鲁棒地学习跨数据集的可迁移信息，我们提出一种新颖的基于原型的知識过滤方法以估计跨域样本的可迁移性。我们进一步通过在域层级以早期对齐和在类层级以有监督对比学习同时对齐跨域图像表示来优化共享特征空间，从而赋予模型训练与知识迁移更强的鲁棒性。在三个真实世界基准宫颈图像数据集上的实证结果表明，我们提出的方法以top-1准确率绝对提升4.7%、精确率7.0%、召回率1.4%、F1分数4.6%以及ROC-AUC 0.05的优势优于最先进的宫颈上皮内瘤变视觉检查方法。
引用
@article{arxiv.2308.09983,
title = {Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection},
author = {Yichen Zhang and Yifang Yin and Ying Zhang and Zhenguang Liu and Zheng Wang and Roger Zimmermann},
journal= {arXiv preprint arXiv:2308.09983},
year = {2023}
}
备注
accepted in ACM Multimedia 2023