医学图像分析的代理监督：从有限数量标注数据中进行有效深度学习
计算机视觉与模式识别
2019-01-28 v1
摘要
我们研究了一种简单解决方案的有效性，该方案旨在解决医学图像分析中标注训练数据数量有限的深度学习常见问题。其基本思想是对大量可用的未标注医学图像分配人工标签，并通过一个称为代理监督的过程，为缺乏足够标注训练数据的目标医学图像分析任务预训练深度神经网络模型。具体而言，我们在4个不同的医学成像应用中采用了3种代理监督方案，即旋转、重构和着色，这些应用涵盖了2D和3D医学图像的分类与分割。我们的研究得出了3个主要发现：1) 基于代理监督的预训练对小训练集是有效的；2) 使用通过代理监督预训练的初始权重训练的深度模型，其表现优于从零开始训练的同一模型，这表明在训练任何深度3D模型之前应考虑采用代理监督进行预训练；3) 在医学领域使用代理监督预训练模型比从不相关领域（如自然图像）进行迁移学习更有效，这表明了大量未标注医学图像数据的实用价值。
引用
@article{arxiv.1901.08707,
title = {Surrogate Supervision for Medical Image Analysis: Effective Deep Learning From Limited Quantities of Labeled Data},
author = {Nima Tajbakhsh and Yufei Hu and Junli Cao and Xingjian Yan and Yi Xiao and Yong Lu and Jianming Liang and Demetri Terzopoulos and Xiaowei Ding},
journal= {arXiv preprint arXiv:1901.08707},
year = {2019}
}
备注
Accepted in IEEE International Symposium on Biomedical Imaging (ISBI 2019)