使用 NoTeacher 进行放射学图像的半监督分类：一种非均值教师
计算机视觉与模式识别
2021-08-11 v1 人工智能
机器学习
摘要
深度学习模型在放射学图像分类中取得了优异的性能，但其实际应用受限于对大规模有标注训练数据集的需求。半监督学习（SSL）方法利用小规模有标注数据集和更大规模的无标注数据集，具有降低标注成本的潜力。在本工作中，我们引入了 NoTeacher，一种结合概率图模型的基于一致性的新型 SSL 框架。Mean Teacher 通过时间集成来维护更新的教师网络，与此不同，NoTeacher 采用两个独立的网络，从而消除了对教师网络的需求。我们展示了如何定制 NoTeacher 以处理放射学图像分类中的一系列挑战。具体而言，我们描述了针对 2D 和 3D 输入、单标签和多标签分类，以及训练数据的有标注部分与无标注部分之间类别分布不匹配等场景的适配。在涵盖放射学主要模态（X 射线、CT、MRI）的三个公开基准数据集上的实际经验评估中，我们表明 NoTeacher 以不到 5-15% 的标注预算达到了全监督 AUROC 的 90-95% 以上。此外，NoTeacher 在极少超参数调优的情况下优于现有的 SSL 方法，并作为放射学应用中半监督学习的一种有原则且实用的选择具有重要意义。
引用
@article{arxiv.2108.04423,
title = {Semi-supervised classification of radiology images with NoTeacher: A Teacher that is not Mean},
author = {Balagopal Unnikrishnan and Cuong Nguyen and Shafa Balaram and Chao Li and Chuan Sheng Foo and Pavitra Krishnaswamy},
journal= {arXiv preprint arXiv:2108.04423},
year = {2021}
}
备注
Preprint submitted to Medical Image Analysis. Accepted in June 2021