用于医学诊断的单峰均匀约束Wasserstein训练
图像与视频处理
2019-11-07 v1 计算机视觉与模式识别
机器学习
摘要
医学诊断任务中的标签通常是离散且连续分布的。例如，糖尿病视网膜病变诊断（DR）包含五个健康风险等级：无DR（0）、轻度DR（1）、中度DR（2）、重度DR（3）和增殖性DR（4）。这种标注系统在医学疾病中很常见。以往的方法通常构建多二分类任务或在输出单元中提出一些重参数化方案。本文从损失函数的角度针对该任务展开研究。更具体地，利用Wasserstein距离作为替代方案，通过预定义其底度量显式地纳入类间相关性。然后，从优化角度探讨了作为直线上欧氏距离的线性、凸或凹递增函数的底度量。同时，本文还提出使用单峰均匀混合分布来构造平滑目标标签，以建模内部噪声与离群噪声。与one-hot设置不同，平滑标签赋予了Wasserstein距离计算更具挑战性的特征。无论使用one-hot还是平滑目标标签，本文系统地给出了实用的闭式解。我们在多个医学诊断任务（如糖尿病视网膜病变和超声乳腺数据集）上评估了我们的方法，并取得了最先进的性能。
引用
@article{arxiv.1911.02475,
title = {Unimodal-uniform Constrained Wasserstein Training for Medical Diagnosis},
author = {Xiaofeng Liu and Xu Han and Yukai Qiao and Yi Ge and Lu Jun},
journal= {arXiv preprint arXiv:1911.02475},
year = {2019}
}
备注
ICCV VRMI workshop Oral. arXiv admin note: text overlap with arXiv:1911.00962