面向有限标注数据下的医学图像分割：选择最佳顺序迁移路径
图像与视频处理
2024-10-10 v1 计算机视觉与模式识别
摘要
医学图像处理领域常面临标注数据稀缺的关键问题。迁移学习作为解决方案，但如何选择合适的源任务并有效地将知识迁移到目标任务仍具有挑战性。为此，我们提出一种针对医学图像的任务关联度指标，以构建新颖的顺序迁移方案。考虑医学图像分割任务的特征，我们分析任务之间图像和标签的相似性，计算任务关联度分数，以衡量任务之间的相关性。基于此，我们选择合适的源任务，通过纳入中间源任务形成有效的顺序迁移策略，以逐步缩小域间差异并最小化迁移成本。从而识别给定目标任务的最佳顺序迁移路径。在三个MRI医学数据集上进行的广泛实验（FeTS 2022、iSeg-2019和WMH）表明，我们的方法在寻找最佳源序列方面效果显著。与直接从单个源任务迁移相比，顺序迁移结果在目标任务性能上实现了显著提升，平均提升2.58%（以分割Dice得分衡量），尤其是FeTS 2022数据集上提升了6.00%。代码已在git仓库中提供。
引用
@article{arxiv.2410.06892,
title = {Selecting the Best Sequential Transfer Path for Medical Image Segmentation with Limited Labeled Data},
author = {Jingyun Yang and Jingge Wang and Guoqing Zhang and Yang Li},
journal= {arXiv preprint arXiv:2410.06892},
year = {2024}
}