GraphNet Zoo：一种用于医学图像分类的基于图的全集成深度半监督框架
计算机视觉与模式识别
2020-06-30 v2
摘要
我们考虑在仅有少量标签情况下对医学图像数据集进行分类的问题。这是一种非常常见但具有挑战性的设定，因为标注数据昂贵、收集耗时且可能需要专家知识。当前深度监督学习的分类首选方案无法应对此类问题设定。然而，利用半监督学习，可以使用显著减少的标注数据产生准确分类。因此，半监督学习非常适用于医学图像分类。但是，医学领域几乎未采用半监督方法。在这项工作中，我们提出一个专注于基于图方法的深度半监督分类全集成框架，据我们所知，这是首次以最少标签在医学数据上展示如此前所未有规模的方法。我们通过将分类器定义为基于能量的模型与深度网络的组合，引入了混合模型的概念。我们的能量泛函构建于基于图 p-Laplacian 的 Dirichlet 能量之上。我们的框架包含基于 和 范数的能量。随后我们将该能量模型连接至深度网络，以生成更丰富的特征空间来构建更强的图。我们的框架可设置为适应任何复杂数据集。我们通过广泛的数值比较证明，在仅使用 20% 标签的情况下，我们的方法在疟疾细胞、乳腺 X 线摄影和胸部 X 射线分类应用上 readily 与全监督最先进（SOTA）技术竞争。
引用
@article{arxiv.2003.06451,
title = {The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised Framework for Medical Image Classification},
author = {Marianne de Vriendt and Philip Sellars and Angelica I Aviles-Rivero},
journal= {arXiv preprint arXiv:2003.06451},
year = {2020}
}