面向医学图像分类的通用半监督学习
计算机视觉与模式识别
2024-07-03 v2
摘要
半监督学习(SSL)因降低了收集充足精标注训练数据的昂贵成本而备受关注，对深度学习方法尤为如此。然而，传统 SSL 建立在标注与未标注数据应来自相同分布（如类别与域）的假设之上。在实际场景中，未标注数据可能来自未见类别或未见域，现有 SSL 方法仍难以利用它们。因此，本文提出一种统一框架，利用这些未见未标注数据实现开放场景下半监督医学图像分类。我们首先设计一种称为双路径离群点估计的新评分机制，以识别来自未见类别的样本。同时，为提取未见域样本，我们应用了有效的变分自编码器(VAE)预训练。此后，我们进行域适应以充分发掘所检测未见域样本的价值，从而提升半监督训练。我们在皮肤病学与眼科学任务上评估了所提框架。大量实验表明，我们的模型在各医学 SSL 场景中均能取得优越分类性能。代码实现见：https://github.com/PyJulie/USSL4MIC。
引用
@article{arxiv.2304.04059,
title = {Universal Semi-Supervised Learning for Medical Image Classification},
author = {Lie Ju and Yicheng Wu and Wei Feng and Zhen Yu and Lin Wang and Zhuoting Zhu and Zongyuan Ge},
journal= {arXiv preprint arXiv:2304.04059},
year = {2024}
}