基于全局潜在混合的半监督医学图像分类
机器学习
2020-05-25 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
基于深度学习的计算机辅助诊断依赖大规模标注数据集，当涉及专家知识时，此类数据集的获取成本高昂。半监督学习（SSL）通过利用未标注数据来缓解这一挑战。一种有效的 SSL 方法是通过对单个数据点施加扰动来正则化神经函数的局部平滑性。在本工作中，我们认为通过填补数据点之间的空隙来正则化神经函数的全局平滑性可以进一步提升 SSL 性能。我们提出了一种新颖的 SSL 方法，该方法在输入空间和潜在空间中对标注与未标注数据进行线性混合以训练神经网络，从而对网络的不同部分进行正则化。我们在两个不同的医学图像数据集上评估了所提出的模型，用于胸部疾病和皮肤病变的半监督分类，结果表明其性能优于仅使用局部扰动的 SSL 以及仅在输入空间进行全局混合的 SSL。我们的代码可在 https://github.com/Prasanna1991/LatentMixing 获取。
引用
@article{arxiv.2005.11217,
title = {Semi-supervised Medical Image Classification with Global Latent Mixing},
author = {Prashnna Kumar Gyawali and Sandesh Ghimire and Pradeep Bajracharya and Zhiyuan Li and Linwei Wang},
journal= {arXiv preprint arXiv:2005.11217},
year = {2020}
}