基于胸部 X 射线图像的半监督多任务学习
图像与视频处理
2019-08-27 v2 计算机视觉与模式识别
摘要
在医学影像领域，当需要大规模标注数据集而不可得时，要求全监督的判别模型是低效的。相比之下，生成式建模——即学习数据生成与分类——有助于利用有限标注数据进行半监督训练。此外，生成式建模有利于实现多个目标以获得更好的泛化能力。我们提出一种新颖的多任务学习模型，通过半监督学习从胸部 X 射线图像中联合学习分类器与分割器。此外，我们提出一种结合绝对 KL 散度与 Tversky 损失 (KLTV) 的新损失函数，以实现更快收敛与更好的分割性能。基于我们使用一种新颖分割模型——对抗金字塔渐进注意力 U-Net (APPAU-Net)——的实验结果，我们推测 KLTV 在泛化多任务模型时更为有效，同时在仅分割任务中也具竞争力。
引用
@article{arxiv.1908.03693,
title = {Semi-Supervised Multi-Task Learning With Chest X-Ray Images},
author = {Abdullah-Al-Zubaer Imran and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:1908.03693},
year = {2019}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2019)