转导式图像分割：自训练与不确定性估计的作用
计算机视觉与模式识别
2021-08-04 v3
摘要
半监督学习（SSL）在训练期间利用未标记数据以学习更好的模型。先前关于医学图像分割SSL的研究主要关注改进模型对未知数据的泛化能力。然而，在某些应用中，我们的主要兴趣并非泛化，而是在模型开发期间完全可用的特定未标记数据库上获得最优预测。例子包括用于提取影像表型的人群研究。本工作研究了一个常被忽视的SSL方面：转导。它关注当感兴趣未标记数据在训练中被包含用于优化时其预测的质量，而非改进泛化。我们聚焦于自训练框架并探索其用于转导的潜力。我们通过信息增益的视角对其进行分析，揭示出使用经过校准或欠自信的模型可使学习受益。我们在一个用于创伤性脑损伤多类分割的大型MRI数据库上的大量实验显示，将转导预测与归纳预测比较时获得了有前景的结果。我们相信本研究将激发对转导学习的进一步研究，这是医学图像分析中一种极为适合的范式。
引用
@article{arxiv.2107.08964,
title = {Transductive image segmentation: Self-training and effect of uncertainty estimation},
author = {Konstantinos Kamnitsas and Stefan Winzeck and Evgenios N. Kornaropoulos and Daniel Whitehouse and Cameron Englman and Poe Phyu and Norman Pao and David K. Menon and Daniel Rueckert and Tilak Das and Virginia F. J. Newcombe and Ben Glocker},
journal= {arXiv preprint arXiv:2107.08964},
year = {2021}
}
备注
Published at Domain Adaptation and Representation Transfer (DART) wshop at MICCAI 2021. This version improves methods' names and adds 1 experiment in Tab.3a