透过迷雾：医学影像中基于渐进遮挡的课程学习
计算机视觉与模式识别
2023-07-03 v2 机器学习
摘要
近年来，深度学习模型彻底改变了医学图像解读，在诊断准确性上取得了显著提升。然而，这些模型往往难以处理关键特征被部分或完全遮挡的困难图像，而这是临床实践中的常见情形。本文提出一种新颖的基于课程学习的方法，训练深度学习模型以有效处理被遮挡的医学图像。我们的方法渐进地引入遮挡，从清晰、无遮挡的图像开始，逐步过渡到遮挡程度递增的图像。这种有序的学习过程类似于人类学习，使模型先掌握简单、可辨别的模式，再在此基础上理解更复杂、被遮挡的场景。此外，我们提出三种新颖的遮挡合成方法，即 Wasserstein 课程学习（WCL）、信息自适应学习（IAL）和测地课程学习（GCL）。我们在多个医学图像数据集上的大量实验表明，相较于常规训练方法，模型鲁棒性与诊断准确性得到显著提升。
引用
@article{arxiv.2306.15574,
title = {See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging},
author = {Pradeep Singh and Kishore Babu Nampalle and Uppala Vivek Narayan and Balasubramanian Raman},
journal= {arXiv preprint arXiv:2306.15574},
year = {2023}
}
备注
25 pages, 3 figures, 1 table (supplementary section added)