用于半监督胸部 X 光分类的自监督均值教师
计算机视觉与模式识别
2021-11-05 v3
摘要
深度学习模型的训练通常需要大量标注数据以实现有效收敛与泛化。然而，由于标注任务需要放射科专家，获取高质量标注是一个费力且昂贵的过程。鉴于未标注图像远比专家放射科医师标注的图像易于获取，半监督学习在医学图像分析中的研究至关重要。本质上，半监督方法利用大量未标注数据，相比仅使用小规模标注图像集可实现更好的训练收敛与泛化。本文中，我们提出用于半监督学习的自监督均值教师（SMTS），其将自监督均值教师预训练与半监督微调相结合。SMTS 的主要创新在于基于联合对比学习的自监督均值教师预训练，其使用无限数量的阳性查询与键特征对来改善均值教师表征。随后使用以半监督学习训练的指数滑动平均教师框架对模型进行微调。我们在 Chest X-ray14 和 CheXpert 的多标签分类问题以及 ISIC2018 的多类分类上验证了 SMTS，结果表明其大幅优于先前的 SOTA 半监督学习方法。
引用
@article{arxiv.2103.03629,
title = {Self-supervised Mean Teacher for Semi-supervised Chest X-ray Classification},
author = {Fengbei Liu and Yu Tian and Filipe R. Cordeiro and Vasileios Belagiannis and Ian Reid and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2103.03629},
year = {2021}
}
备注
MLMI-MICCAI 2021