面向高效医学图像分析的统一表示学习
计算机视觉与模式识别
2021-06-09 v2 机器学习
摘要
医学图像分析通常包括增强、分割和分类等若干任务。传统上，这些任务使用针对不同任务的独立深度学习模型来实现，这种方式效率不高，因为它涉及不必要的重复训练、需要更大的计算资源，并且需要相对大量的标注数据。在本文中，我们提出一种用于医学图像分析的多任务训练方法，其中通过利用统一模态特定特征表示（UMS-Rep）进行相关知识迁移，同时微调各个任务。我们探索不同的微调策略，以展示策略对目标医学图像任务性能的影响。我们用不同的视觉任务（例如图像去噪、分割和分类）进行实验，以突显我们的方法在胸部 X 光和多普勒超声心动图两种成像模态上的优势。我们的结果表明，所提方法降低了对计算资源的整体需求，并改善了目标任务的泛化能力与性能。此外，我们的结果证明，医学图像中目标任务的性能受所采用微调策略的高度影响。
引用
@article{arxiv.2006.11223,
title = {Unified Representation Learning for Efficient Medical Image Analysis},
author = {Ghada Zamzmi and Sivaramakrishnan Rajaraman and Sameer Antani},
journal= {arXiv preprint arXiv:2006.11223},
year = {2021}
}