基于少样本深度自适应图的 X 射线图像可扩展半监督标志点定位
计算机视觉与模式识别
2021-05-03 v1 人工智能
机器学习
摘要
标志点定位在医学图像分析中起着重要作用。基于学习的方法,包括 CNN 和 GCN,已展现出最先进的性能。然而,这些方法大多为全监督并严重依赖大量训练数据集的手动标注。本文基于一种全监督的基于图的方法 DAG,提出其半监督扩展,称为少样本 DAG,即五样本 DAG。它首先在标注数据上训练 DAG 模型,然后通过师生半监督 (SSL) 机制在未标注数据上微调预训练模型。除半监督损失外,我们提出另一种使用 JS 散度的损失以约束中间特征图的一致性。我们在骨盆、手和胸部标志点检测任务上广泛评估了我们的方法。实验结果表明相较先前方法有一致且显著的提升。
引用
@article{arxiv.2104.14629,
title = {Scalable Semi-supervised Landmark Localization for X-ray Images using Few-shot Deep Adaptive Graph},
author = {Xiao-Yun Zhou and Bolin Lai and Weijian Li and Yirui Wang and Kang Zheng and Fakai Wang and Chihung Lin and Le Lu and Lingyun Huang and Mei Han and Guotong Xie and Jing Xiao and Kuo Chang-Fu and Adam Harrison and Shun Miao},
journal= {arXiv preprint arXiv:2104.14629},
year = {2021}
}
备注
10 pages