尝尝蛋糕：评估自监督方法在分布外多模态 MRI 数据上的泛化能力
计算机视觉与模式识别
2022-05-24 v3
摘要
自监督学习在自然图像基准上实现了显著改进。然而，在医学影像领域这方面的研究较少。在各种选项中，最优模型尚未确定。此外，鲜有工作评估当前新型自监督方法的适用极限。在本文中，我们评估了一系列当前对比自监督方法在分布外泛化上的表现，以评估它们对医学影像的适用性。我们表明，自监督模型并不像基于自然成像基准结果所预期的那样鲁棒，且可能被带 dropout 的监督学习超越。我们还表明，这种行为可通过大量数据增强来抵消。我们的结果凸显了医学影像界采用自监督方法时，对分布外泛化标准与基准的需求。
引用
@article{arxiv.2103.15914,
title = {Tasting the cake: evaluating self-supervised generalization on out-of-distribution multimodal MRI data},
author = {Alex Fedorov and Eloy Geenjaar and Lei Wu and Thomas P. DeRamus and Vince D. Calhoun and Sergey M. Plis},
journal= {arXiv preprint arXiv:2103.15914},
year = {2022}
}
备注
Presented as a RobustML workshop paper at ICLR 2021