迁移风险图：缓解医学分割中的像素级负迁移
计算机视觉与模式识别
2025-02-05 v1
摘要
如何缓解迁移学习中的负迁移是一个长期存在且具有挑战性的问题，尤其是在医学图像分割应用中。现有的减少负迁移的方法侧重于分类或回归任务，忽略了不同图像区域中非均匀的负迁移风险。在本工作中，我们提出了一种简单而有效的加权微调方法，该方法将模型的注意力引向具有显著迁移风险的区域，以进行医学语义分割。具体而言，我们计算可迁移性引导的迁移风险图，以量化每个像素的迁移难度和负迁移的潜在风险。在微调阶段，我们引入了一个映射加权损失函数，并通过图像前景大小进行归一化以抵消类别不平衡。在脑部分割数据集上的大量实验表明，我们的方法显著提高了目标任务的性能，在 FeTS2021 上提升了 4.37%，在 iSeg2019 上提升了 1.81%，避免了跨模态和跨任务的负迁移。同时，在少样本场景下 2.9% 的提升验证了我们方法的鲁棒性。
引用
@article{arxiv.2502.02340,
title = {Transfer Risk Map: Mitigating Pixel-level Negative Transfer in Medical Segmentation},
author = {Shutong Duan and Jingyun Yang and Yang Tan and Guoqing Zhang and Yang Li and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2502.02340},
year = {2025}
}