ROAM：医学影像半监督学习中的随机层混合方法
计算机视觉与模式识别
2020-11-18 v4
摘要
医学图像分割是机器学习方法所解决的主要挑战之一。然而，深度学习方法严重依赖于大量标注数据，这既耗时又昂贵。为此，半监督学习方法通过在训练过程中利用大量无标注数据以及少量标注数据来应对该问题。近来，MixUp 正则化器已成功引入半监督学习方法并展现出优越性能。MixUp 通过在输入空间对数据进行线性插值来为模型增强新数据点。我们认为这一做法存在局限。相反，我们提出 ROAM，一种 RandOm lAyer Mixup（随机层混合），其鼓励网络在随机选定空间中对插值数据点不那么自信。ROAM 生成了前所未见的更多数据点，从而避免过度拟合并增强泛化能力。我们开展了大量实验，在三个公开可用的全脑图像分割数据集上验证我们的方法。ROAM 在完全监督 (89.5%) 与半监督 (87.0%) 设定下均取得了最先进 (SOTA) 结果，全脑分割上相对提升分别达 2.40% 与 16.50%。
引用
@article{arxiv.2003.09439,
title = {ROAM: Random Layer Mixup for Semi-Supervised Learning in Medical Imaging},
author = {Tariq Bdair and Benedikt Wiestler and Nassir Navab and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2003.09439},
year = {2020}
}