TUNA-Net：面向任务的跨域胸部 X 光片疾病识别无监督对抗网络
图像与视频处理
2019-08-22 v1 计算机视觉与模式识别
摘要
在这项工作中，我们探索了跨域放射影像解读的无监督域适应问题。具体而言，我们研究如何将疾病识别模型从一个有标签的源域适配到一个无标签的目标域，以减少为每个新数据集进行标注的工作量。为解决通常忽略类别特定语义的跨域、非配对图像到图像转换方法的不足，我们提出了一种任务驱动、判别式训练、循环一致的生成对抗网络，称为 TUNA-Net。它能够在图像到图像转换过程中保留 1) 低级细节、2) 高级语义信息和 3) 中级特征表示，以利于目标疾病识别任务。TUNA-Net 框架具有通用性，可以很容易地适配到其他学习任务。我们在两个公开的胸部 X 光片数据集上评估了所提出的框架，用于肺炎识别。TUNA-Net 模型能够适配源域中有标签的成人胸部 X 光片，使其看起来像是从无标签目标域的儿科 X 光片中提取的，同时保留疾病语义。大量实验表明，与最先进的无监督域适应方法相比，所提出的方法具有优越性。值得注意的是，TUNA-Net 在儿科肺炎分类中达到了 96.3% 的 AUC，非常接近有监督方法（98.1%），但无需目标域的标签。
引用
@article{arxiv.1908.07926,
title = {TUNA-Net: Task-oriented UNsupervised Adversarial Network for Disease Recognition in Cross-Domain Chest X-rays},
author = {Yuxing Tang and Youbao Tang and Veit Sandfort and Jing Xiao and Ronald M. Summers},
journal= {arXiv preprint arXiv:1908.07926},
year = {2019}
}
备注
MICCAI 2019